Suite

Comment calculer la longueur du chemin de chaque point depuis le début en utilisant arcpy?


Comme le montre l'image ci-dessous, je voudrais calculer la longueur du chemin de chaque point depuis le début. Quelqu'un peut-il m'aider à écrire ceci en python pour ArcGIS?


Vous avez donc une classe d'entités ponctuelles. Chaque point a un attribut unique qui représente la séquence (par exemple, de 1 à 100).

Vous voulez obtenir un point avec PointID = 1, trouver une distance jusqu'au point avec PointID = 2 et écrire cette valeur de distance dans le champ Distance de la classe d'entités (le champ Distance pour l'entité PointID2 contiendra la distance de PointID1 à PointID2) .

Cette solution fonctionnerait pour la licence de base.

import arcpy fc = r"C:ArcGISDefault.gdb\_PointDistanceFc" features = [f pour f dans arcpy.da.SearchCursor(fc,("PointID","[email protected]"), sql_clause=(None,"ORDER BY PointID"))] index = 1 length = 0 update_values ​​= [(0,0)] pour f dans les entités : if index < len(features): length += f[1].distanceTo(features[index][1 ]) index += 1 update_values.append((f[0],length)) else: passer avec arcpy.da.UpdateCursor(fc,("Distance","PointID"),sql_clause=(None,"ORDER BY PointID ")) comme upd_cur : index = 0 pour la ligne dans upd_cur : row[0] = update_values[index][1] upd_cur.updateRow(row) index += 1

Le UpdateCursor écrira la valeur de longueur dans le champ. Il est important d'ordonner les entités ponctuelles dans l'ordre avec lequel vous souhaitez calculer la longueur (vous ne pouvez pas vous fier à l'OID car ceux-ci peuvent ne pas correspondre à l'ordre de création des entités). Voici l'exemple de résultat :


J'ai fait un outil qui fait cette mesure. Cet outil n'a besoin que de trois paramètres : Il suffit de télécharger le fichier Measure_Length.tbx, de le localiser dans ArcCatalog et de l'exécuter.

  1. Entité de point d'entrée
  2. Unique champ (dans la table attributaire)
  3. Un champ qui sera rempli par ce script, le type de données pour ce champ doit être double

Veuillez trouver l'outil dans le github ici.

OH OUI LES CRÉDITS ALLENT À ALEX


Merci ->SIslam, le code Ur est très utile. Ensuite, j'ai essayé de réviser le code pour l'adapter à mon processus, la révision ci-dessous: import arcpy from arcpy import env

env.workspace="C:/Temp/test0608/" Pnt_move="C:/Temp/test0608/Pnt_move.shp" curS = arcpy.da.SearchCursor(Pnt_move,["[email protected]","[email protected]"]) counter = 0 pour i dans curS : print "OID is : {0}".format(i[0]) counter+= i[1].length print counter

Mais cela ne fonctionne pas correctement, tout comme la photo ci-dessous, vous pouvez voir que la longueur totale est de 0,0.

Les données de points d'origine ont plus de 4000 points comme la photo ci-dessous.


Calculer la longueur du chemin entre les nœuds ?

Comment puis-je récupérer la longueur d'un chemin entre deux nœuds ? Par exemple, étant donné une hiérarchie organisationnelle, comment puis-je déterminer à quelle distance sont séparés une organisation parent et une organisation descendante ? Considérez les scénarios suivants :

OrgA -hasSubOrganization-> OrgB, OrgC

C'est le cas très simpliste où je veux obtenir toutes les sous-organisations immédiates d'une entité. La longueur du chemin est donc 1.

Je souhaite parcourir de manière récursive le graphique et trouver chaque organisation appartenant à une autre organisation via la propriété hasSubOrganization. Pour obtenir toutes les sous-organisations récursives, je peux utiliser des chemins de propriétés, par exemple, l'opérateur + :

Cela me donnera toutes les sous-organisations jusqu'aux nœuds feuilles. Mais mon objectif ultime est de construire la hiérarchie de l'organisation, mais les informations sur le "Nombre de nœuds/étapes/niveaux/sauts d'une sous-organisation" sont perdues. Cela signifie que je ne peux pas recréer la structure organisationnelle d'une visualisation.

Comment puis-je capturer les informations sur le « nombre de nœuds éloignés » en plus du nom de la sous-organisation ?


La profondeur du circuit est la longueur du chemin le plus long de l'entrée (ou d'une préparation) à la sortie (ou une porte de mesure), avançant dans le temps le long des fils qubit. Les points d'arrêt sur le chemin sont les portes, les chemins autorisés qui doivent être pris en compte peuvent entrer et sortir de ces portes sur n'importe quelle entrée / sortie, et la longueur est le nombre de sauts de chaque porte aux portes suivantes le long du chemin.

(Lors de l'examen d'un circuit unitaire, il existe souvent une convention parmi les théoriciens d'ignorer la mesure finale dans le décompte de la profondeur, que j'ai en fait fournie dans ma réponse originale à cette question. Bien que cela puisse ne pas être tout à fait approprié dans le contexte du quantum technologies, c'est quelque chose que vous pouvez voir ici et là.)

En d'autres termes : la profondeur est le plus petit nombre de pas de temps requis pour effectuer le circuit, si chaque porte (y compris chaque mesure et préparation) est effectuée à un pas de temps entier, les portes qui n'agissent sur aucun qubit commun ne peuvent être effectuées au même pas de temps, et les portes agissant sur au moins un qubit en commun doivent agir à des pas de temps différents (et dans le bon ordre bien sûr). Avec un peu de travail, il est possible de montrer que déterminer ce plus petit nombre de pas de temps revient à la première description que je donne.

En pratique, cela est mieux calculé avec la programmation dynamique, en prenant le circuit porte par porte et en calculant comment chaque porte contribue à la longueur du plus long chemin qui se termine à un qubit donné.

En utilisant l'exemple fourni par Hastings :

Voici comment vous pouvez calculer la profondeur du circuit, en ajoutant une porte à la fois, pour calculer la longueur du chemin le plus long qui se termine à un qubit donné.

Initialisez la profondeur se terminant à chaque qubit à 0.

Pour chaque porte en séquence (conformément aux dépendances d'entrée/sortie des portes), prenez la profondeur maximale $d$ jusqu'à ce point sur tous les qubits sur lesquels la porte agit, ajoutez-en un et définissez la nouvelle profondeur maximale sur ces qubits à ce résultat. (Si vous envisagez un circuit unitaire avec des mesures finales et que, pour une raison quelconque, vous souhaitez utiliser la convention d'ignorer la contribution en profondeur des mesures, ne comptez pas les mesures.) Dans le cas du circuit ci-dessus, cela donne :


5 réponses 5

Un photon n'est pas une particule ponctuelle au sens classique du terme (ni un électron, ni aucune autre « particule » fondamentale). C'est plutôt un mot commode pour décrire certains aspects du champ électromagnétique. Il fait référence à la présence d'énergie dans un « mode » particulier du champ. Un mode peut être considéré comme une entité étendue, il a une fréquence bien définie et dans l'espace libre, il a une longueur d'onde bien définie. Cela correspond approximativement à une onde plane.

Dans le type d'expérience de diffraction/interférence en question, le motif observé sur l'écran est exactement comme le prédirait la théorie des ondes classique, sauf qu'il apparaît comme un ensemble de points plutôt que comme complètement continu. Cependant, puisque la question concerne le motif (c'est-à-dire la distribution de densité des points), nous pouvons utiliser la théorie des ondes classique pour répondre à la question.

Les anneaux du motif apparaissent à des angles par rapport au trou d'épingle, comme le donne la théorie de la diffraction. Pour une source monochromatique (sans l'effet de hachage proposé dans la question) le premier minimum est à un angle donné par $ heta simeq 1.22 lambda / a $ où $lambda$ est la longueur d'onde et $a$ le rayon de la trou d'épingle.

Si nous «coupons» maintenant la transmission à travers le sténopé, comme proposé dans la question, alors la lumière émergeant à travers le hacheur n'est plus monochromatique. Il dispose maintenant d'une gamme de fréquences dont l'étalement $Delta u$ est de l'ordre de $ Delta u simeq 1 / Delta t $ où $Delta t$ est le temps pendant lequel le sténopé est ouvert. Par conséquent, la lumière émergeant du trou d'épingle haché a une gamme de longueurs d'onde. La plage est donnée par $ Delta lambda simeq Delta u left| frac droit| = frac Delta u = frac $ Cette gamme de longueurs d'onde a pour effet de brouiller la figure d'interférence. L'angle par rapport au premier minimum est proportionnel à la longueur d'onde, il est donc flou de $ Delta heta = 1,22 Delta lambda / a . $ Il est utile de comparer ce flou à l'angle lui-même : $ frac < heta>= frac = frac. $ Ainsi, nous constatons que lorsque le trou d'épingle est coupé si rapidement qu'il ne laisse passer qu'une seule longueur d'onde à la fois, alors le motif de diffraction est complètement flou.

Pour répondre à la question générale sur "combien de temps est un photon", la réponse est qu'un photon vraiment monochromatique est infiniment long. C'est-à-dire que c'est une manière de se référer à un état d'excitation d'un mode de longueur infinie et de fréquence parfaitement précise. Pour des cas physiquement plus réalistes, l'excitation du champ n'est pas infiniment longue dans ce cas, on peut imaginer une impulsion lumineuse d'une durée finie. Plus généralement c'est la longueur de cohérence qui est la grandeur importante.


14 Réponses 14

Pour être explicite, vos équations sont,

Leur soustraction donne la ligne bissectrice :

Vous pouvez résoudre deux d'entre eux simultanément pour obtenir les deux centres candidats.

N'écrivez pas trop d'équations à résoudre, mais produisez plutôt le centre souhaité $<f c>=(a,b)$ dans un mouvement vers l'avant. Soit $<f z>_i=(x_i,y_i)$ $ (i=0,1)$ les deux points donnés, mettre $epsilon:=1$ si l'arc doit partir de $<f z >_0$ à $<f z>_1$ dans le sens inverse des aiguilles d'une montre, et mettez $epsilon:=-1$ sinon.

est l'unité normale dans la direction $<f z_1>-<f z>_0$, et $<f n>^*:=(-v,u)$ est le vecteur unitaire que vous obtenez en tournant $< f n>$ dans le sens antihoraire par $90^circ$.

Étant donné $r>0$ le centre $<f c>$ a une distance $h:=sqrt$ de $<f m>$, et le $epsilon$ donné avec $<f n>^*$ nous indiquent dans quelle direction nous devons aller. En notation vectorielle le centre est donné par

de sorte que du point de vue des coordonnées, nous obtenons

Essayons une approche géométrique :

On nous donne les points $A$ et $B$ sur le cercle et le rayon $r$ du cercle.

Je le ferai pour un cas précis :

Supposons que $A$ et $B$ soient dans le premier quadrant avec $A$ "à gauche et au-dessus" $B$.

Soit $D$ le milieu du segment de droite $overline$ et mettre $gamma$ égal à l'angle aigu formé par $overline$ et la ligne horizontale $l$ à $A$.

Soit $V=overline$ où $C$ est le centre du cercle.

2) L'angle aigu formé par la ligne horizontale passant par $D$ et $overline$ est $-gamma$.

Puisque vous pouvez calculer les coordonnées de $D$ et $gamma$ à partir des coordonnées de $A$ et $B$, vous pouvez trouver les coordonnées de $C$ en utilisant les informations en 1) et 2).

Même la direction de l'arc est définie (dans le sens des aiguilles d'une montre ou dans le sens inverse des aiguilles d'une montre), il y a généralement deux solutions possibles, car l'angle du rayon peut être inférieur ou supérieur à $pi$. Laissez-moi vous montrer par la méthode vectorielle plane :

Étant donné le point de départ $A(x_0,y_0)$et le point final $B(x_1,y_1)$, soit $|vec|=2l$, donc $l=frac><2>$. Soit le milieu de $AB$ le point $M$, nous savons que le point central $O$ est soumis à $OMperp AB$, et $|vec|=l,|vec|=sqrt$.

Maintenant, $vec=(frac<2>+i(frac<2>))$, puisque $OMperp AB$, on obtient $vec=frac<|vec|><|vec|>cdotvec imes (cos heta+icdot sin heta)$, où $ heta=frac<2>$ ou $ heta=-frac<2>$, selon le sens de rotation de l'arc et si l'angle du rayon est inférieur à $pi$.

Quand shold $ heta$ vaut $frac<2>$ ou $-frac<2>$?

En traçant un cercle et en observant les différents cas, il est facile de savoir : $ dans le sens inverse des aiguilles d'une montre et rayon angle est gtpi : heta=-frac<2>$.

$ dans le sens inverse des aiguilles d'une montre et rayon angle est ltpi : heta=frac<2>$.

$ dans le sens des aiguilles d'une montre et rayon angle est gtpi : heta=frac<2>$.

$ dans le sens des aiguilles d'une montre et rayon angle est ltpi : heta=-frac<2>$.

De plus, vous pouvez voir qu'il n'y a pas de solution lorsque $rlt l$ et qu'il n'y a qu'une seule solution lorsque $l=r$.


Un algorithme de recommandation d'informations commerciales basé sur la localisation

Récemment, de nombreuses recherches sur les recommandations d'informations (par exemple, POI, AD) basées sur l'emplacement ont été effectuées à la fois dans la recherche et dans l'industrie. Dans cet article, nous construisons d'abord un graphe de localisation basé sur la région (RLG), dans lequel le nœud de région se connecte respectivement au nœud utilisateur et au nœud d'informations commerciales, puis nous proposons un algorithme de recommandation basé sur la localisation basé sur RLG, qui peut se combiner avec l'utilisateur la mobilité à courte distance formée par l'activité quotidienne et la mobilité à longue distance formée par les liens des réseaux sociaux et séquentiellement peut recommander des informations commerciales locales et des informations commerciales à longue distance aux utilisateurs. De plus, il peut combiner le filtrage collaboratif basé sur l'utilisateur avec le filtrage collaboratif basé sur les éléments, et il peut atténuer le problème de démarrage à froid dont souffrent souvent les systèmes de recommandation traditionnels. Des études empiriques à partir de données réelles à grande échelle de Yelp démontrent que notre méthode surpasse les autres méthodes en ce qui concerne l'exactitude des recommandations.

1. Introduction

Le développement technologique rapide a amené un nombre croissant d'appareils mobiles équipés de capacités GPS, tels que les ordinateurs portables, les PDA et les téléphones portables. Cela fait du comportement d'enregistrement un nouveau style de vie pour des millions d'utilisateurs qui partagent leurs emplacements, leurs conseils et leur expérience sur les points d'intérêt (POI) avec leurs amis sur les réseaux sociaux basés sur la localisation. Récemment, comment fournir des informations opportunes et personnalisées et des services de partage basés sur les informations de localisation des utilisateurs attirent progressivement beaucoup d'attention à la fois de l'industrie et de la communauté des chercheurs. Il forme également un domaine de recherche connu et indépendant nommé les services basés sur la localisation (LBS). En particulier, la recommandation d'informations personnalisées est plus importante car il est avantageux pour les utilisateurs de connaître de nouveaux POI ou de promotions spéciales sur le marché et d'explorer leur ville et pour les annonceurs de lancer des publicités auprès d'utilisateurs ciblés.

Récemment, de nombreuses recherches sur les recommandations d'informations (par exemple, POI et AD) basées sur l'emplacement ont été effectuées à la fois dans la recherche et dans l'industrie [1–3]. Le filtrage collaboratif (CF) est le principal algorithme pour résoudre cette tâche. Des méthodes de filtrage collaboratif basées sur la mémoire et sur des modèles ont été proposées et étudiées pour connaître les préférences des utilisateurs sur le LBS à partir des données de localisation des utilisateurs [1, 4, 5]. Cependant, les méthodes proposées précédemment prennent en compte tous les enregistrements dans leur ensemble et les lois de base des utilisateurs mobiles régissant le mouvement humain et la dynamique sont généralement négligées, ainsi que les rares recherches sur le problème de démarrage à froid qui résulte de l'évaluation rarement effectuée par les utilisateurs sur les éléments du système de recommandation basé sur la localisation. systèmes. Comme le montre [6], les humains subissent une combinaison de mouvements périodiques géographiquement limités et de sauts apparemment aléatoires corrélés à leurs réseaux sociaux. Environ 50 à 70 % de tous les mouvements humains sont de courte portée et périodiques à la fois dans l'espace et dans le temps et ne sont pas affectés par la structure du réseau social et environ 10 à 30 % de tous les mouvements humains sont à longue distance et aléatoires et sont généralement influencés par les liens des réseaux sociaux. Par conséquent, la recommandation basée sur l'emplacement doit être sensible à la plage de mouvement des utilisateurs, et nous montrerons comment atténuer le problème de démarrage à froid dans le système de recommandation basé sur l'emplacement en utilisant les lois de mouvement de base de l'utilisateur dans cet article.

Ainsi dans cet article, contrairement aux travaux précédents, notre objectif est de fournir aux utilisateurs une recommandation d'information dans le cadre du mouvement des utilisateurs dans un système de notation très clairsemé. La tâche est beaucoup plus difficile que la recommandation ou la prédiction traditionnelle basée sur la localisation, car elle recommande des informations commerciales intéressantes dans le cadre des mouvements quotidiens de l'utilisateur. Cependant, cette tâche est plus importante car elle peut fournir diverses informations locales préférées personnalisées combinées à des informations de voyage à long terme à proximité du domicile de leurs amis. Ainsi, si nous pouvions diviser la région de mouvement des utilisateurs en deux parties, la partie locale et la partie distante, alors nous pouvons leur recommander leurs informations commerciales préférées dans chaque partie, mais surtout, nous devrions déterminer la portée de mouvement de chaque utilisateur en exploitant leur journal d'enregistrement. Dans les services géolocalisés ou les réseaux sociaux, les lieux que les utilisateurs vérifient à chaque fois sont souvent des points d'intérêt ou des parcs qu'ils visitent et nous ne pouvons pas obtenir la trajectoire de localisation successive des utilisateurs à partir de leurs données d'enregistrement, et plus important encore, cela se traduit par un jeu de données très clairsemé dans un système de recommandation basé sur la localisation.

Sur la base de ces deux propriétés de l'ensemble de données d'enregistrement et des études dans [6], nous nous concentrons sur la modélisation explicite des déplacements locaux et des préférences de voyage longue distance des utilisateurs pour recommandation dans leur ensemble de données d'enregistrement. Il y a deux défis : (1) comment déterminer la région de mouvement locale et la région de mouvement éloignée des utilisateurs et (2) comment trouver les informations commerciales préférées des utilisateurs dans chacune de leurs régions de mouvement. Pour relever ces défis, nous proposons un graphe de localisation basé sur la région (RLG) et concevons de nouveaux algorithmes pour rendre le top-

recommandation sur RLG. Le caractère unique du modèle proposé est l'introduction de nœuds de région de mouvement des utilisateurs qui pourraient aider les utilisateurs à trouver leurs voisins locaux et amis distants pour la recommandation d'informations collaboratives, y compris la région de mouvement local des utilisateurs et la région de mouvement distante en outre, il capture la visite locale des utilisateurs intérêt par le biais de connexions de région de déplacement utilisateur-local et capture l'intérêt de voyage longue distance grâce à des connexions de région de déplacement utilisateur-distance. Comme les régions de mouvement local des deux utilisateurs se croisent, nous appelons les deux utilisateurs voisins locaux et comme la région de mouvement local d'un utilisateur et la région de mouvement distant de l'autre utilisateur se croisent, nous appelons les deux utilisateurs amis distants.

Pour résumer, nos principales contributions sont les suivantes. (1) Nous construisons un graphe de localisation basé sur la région (RLG), dans lequel le nœud régional se connecte au nœud utilisateur et au nœud commercial, respectivement. (2) Pendant que les deux régions de mouvement local des utilisateurs se croisent, nous les appelons voisins locaux et tandis que la région de mouvement local d'un utilisateur et la région de mouvement distant de l'autre utilisateur se croisent, nous appelons les deux utilisateurs amis distants. Sur la base du cadre RLG, nous proposons un nouvel algorithme de recommandation d'informations commerciales basé sur la localisation. (3) Nous comparons notre approche avec d'autres méthodes sur un ensemble de données réel et montrons les performances de notre approche pour atténuer le problème des utilisateurs de démarrage à froid dans les systèmes de recommandation basés sur la localisation.

2. Travaux connexes

Ces dernières années, les technologies de communication mobile et de localisation mobile ont connu un grand développement, en particulier l'utilisation des sites de réseaux sociaux, ce qui offre une nouvelle chance pour l'application sociale de l'information géospatiale. La volonté des utilisateurs de partager leurs emplacements et leur expérience actuels facilite à l'origine la création de systèmes de recommandation basés sur l'emplacement (LBRS) basés sur le contenu généré par les utilisateurs et fait qu'il reçoit beaucoup d'attention de la communauté universitaire et de l'industrie.

Actuellement, il existe deux axes de travail pour résoudre la tâche de recommandation basée sur la localisation [5]. Un axe de recherche est mené sur la base des journaux de trajectoire GPS [7–11]. Les données de trajectoire GPS se composent généralement d'un petit nombre d'utilisateurs mais d'enregistrements denses [12, 13]. De nombreux algorithmes de filtrage collaboratif ont été proposés et considérés comme des éléments de localisation ou de POI dans les systèmes de recommandation traditionnels, tels que la factorisation matricielle collective [8], la factorisation tensorielle [9], le modèle de localisation collaborative basé sur la mémoire [10] et le modèle de reconnaissance de formes [11 ]. L'autre axe de travail se concentre sur les données de réseaux sociaux géolocalisées, qui sont très éparses et à grande échelle [1, 4, 14]. Actuellement, les influences géographiques, par exemple, la modélisation de la probabilité d'enregistrement à la distance de l'ensemble de l'historique d'enregistrement par distribution de loi de puissance [1], la modélisation des comportements d'enregistrement multicentrique des utilisateurs via des Gaussiennes multicentriques [4], et l'exploration les comportements d'enregistrement des utilisateurs [15], ont été traités et fusionnés avec des algorithmes CF traditionnels.

Le point crucial des systèmes de recommandation basés sur la localisation permet aux utilisateurs de lire ou de demander des recommandations à proximité d'un emplacement spécifié que les utilisateurs visitent ou ont l'habitude de visiter, il est donc important que les recommandations dans les systèmes de recommandation basés sur la localisation soient fortement liées aux utilisateurs. ' région de mouvement. Cependant, il existe rarement des recherches antérieures sur cette question et le problème du démarrage à froid en raison du fait que les données très rares dans les systèmes de recommandation basés sur la localisation ne sont pas encore bien étudiées. Comme un utilisateur ne peut visiter qu'un nombre limité d'emplacements, en particulier lorsqu'un utilisateur se rend dans une nouvelle ville, la matrice d'emplacements de l'utilisateur est très clairsemée, ce qui pose un défi de taille aux systèmes de recommandation d'emplacements collaboratifs traditionnels basés sur le filtrage. À cette fin, Bao et al. [16] ont proposé un système de recommandation de localisation, qui se compose de deux parties principales : la modélisation hors ligne et la recommandation en ligne. La partie modélisation hors ligne modélise les préférences personnelles de chaque individu avec une hiérarchie de catégories pondérée et déduit l'expertise de chaque utilisateur dans une ville par rapport à différentes catégories d'emplacements en fonction de leurs historiques de localisation à l'aide d'un modèle d'apprentissage itératif. La partie de recommandation en ligne sélectionne des experts locaux candidats dans une plage géospatiale qui correspond aux préférences de l'utilisateur à l'aide d'un algorithme de sélection de candidats tenant compte des préférences, puis déduit un score des emplacements candidats sur la base des opinions des experts locaux sélectionnés. L'importance des systèmes de recommandation dans les services basés sur la localisation et la solution prometteuse nous motivent à approfondir nos recherches dans cet article.

3. Modèle de données et définition du problème

Dans cette section, nous présentons brièvement le modèle de données associé et définissons le problème de recherche d'informations commerciales préféré des utilisateurs dans leurs différentes régions de mouvement.

3.1. Modèle de données

Contrairement aux données de trajectoire GPS, les données d'enregistrement des utilisateurs ne sont pas continues dans les dimensions spéciales et temporelles dans le réseau social basé sur la localisation. Les lieux d'enregistrement des utilisateurs sont souvent des points d'intérêt ou des parcs qu'ils visitent. Par exemple, lorsqu'un utilisateur dîne dans un restaurant, il peut partager des informations sur ce restaurant et son expérience avec ses amis sur un réseau social ou sur des sites Web d'avis. Ainsi, ces données d'enregistrement indiquent que la portée du mouvement quotidien de l'utilisateur peut couvrir toutes les entreprises examinées par lui, en d'autres termes, les informations commerciales examinées par un utilisateur sont limitées dans la portée de son mouvement quotidien.


Cartographie de la susceptibilité aux glissements de terrain sur l'île de Panaon, Philippines à l'aide d'un système d'information géographique

Pour la cartographie de la susceptibilité aux glissements de terrain, cette étude a appliqué, vérifié et comparé le modèle de probabilité bayésien, les poids de la preuve à l'île de Panaon, aux Philippines, à l'aide d'un système d'information géographique. Les emplacements des glissements de terrain ont été identifiés dans la zone d'étude à partir de l'interprétation de photographies aériennes et d'enquêtes sur le terrain, et une base de données spatiale a été extraite de l'imagerie SRTM (Shuttle Radar Topographic Mission) DEM (Digital Elevation Model), de la photographie aérienne, de la carte topographique et de la carte géologique. Les facteurs qui influencent l'occurrence des glissements de terrain, tels que la pente, l'aspect, la courbure, l'indice d'humidité topographique et l'indice de puissance du cours d'eau de la topographie, ont été calculés à partir des images SRTM. La distance du drainage a été extraite de la base de données topographique. La lithologie et la distance à la faille ont été extraites et calculées à partir de la base de données géologique. L'unité de cartographie du terrain a été classée à partir de photographies aériennes. L'association spatiale entre les facteurs et les glissements de terrain a été calculée comme les valeurs de contraste, W + et W − en utilisant le modèle des poids de la preuve. Des tests d'indépendance conditionnelle ont été effectués pour la sélection des facteurs, permettant d'analyser le grand nombre de combinaisons de facteurs. Pour chaque note de facteur, les valeurs de contraste, W + et W − ont été superposés pour la cartographie de la susceptibilité aux glissements de terrain. Les résultats de l'analyse ont montré que le taux de contraste (78,60 %) pour la multiclasse de chaque facteur avait une meilleure précision de 5,90 % que les combinaisons de facteurs attribués à la classe binaire avec W + et W − (72.70%).

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


3 réponses 3

1) Trouver la sous-chaîne dans la chaîne dans lequel:

  • sous-chaîne est juste le tuyau | personnage
  • la chaîne est votre champ metadatafield_0
  • sortie : index1

2) Extraire la sous-chaîne de la chaîne avec la longueur dans lequel:

  • la sous-chaîne est votre champ metadata_0 de l'élément actuel
  • l'emplacement de départ est 0
  • end est la sortie de la première étape (index1)
  • sortie : sous-chaîne1

Maintenant, enregistrez substring1. Dans mon cas, cela se traduit exactement par tous les caractères devant le caractère pipe :)

Trouver la sous-chaîne dans la chaîne

Sous-chaîne= |
chaîne de caractères=1 an|5ff55ee4-5a60-2132-bc02-bbfdd9f190ab

ici vous obtiendrez l'index de "|"

Passez maintenant cet index dans Extraire la chaîne du début de la chaîne

remplacer 0 avec votre numéro d'index, c'est-à-dire variable:index1

chaîne de caractères=1 an|5ff55ee4-5a60-2132-bc02-bbfdd9f190ab

donc vous obtiendrez votre sortie dans variable:sous-chaîne2 est 1 année

sous-chaîne est juste le tuyau | la chaîne de caractères est votre sortie de champ metadatafield_0 : index1


4 réponses 4

Nous effectuons une recherche en profondeur d'abord dans l'ordre postérieur et agrégeons les résultats en cours de route, c'est-à-dire que nous résolvons le problème de manière récursive.

Pour chaque nœud $v$ avec enfants $u_1,dots,u_k$ (dans l'arbre de recherche) il y a deux cas :

  • Le chemin le plus long dans $T_v$ se trouve dans l'un des sous-arbres $T_,points,T_$.
  • Le chemin le plus long dans $T_v$ contient $v$.

Dans le second cas, nous devons combiner le ou les deux chemins les plus longs de $v$ dans l'un des sous-arbres ce sont certainement ceux qui mènent aux feuilles les plus profondes. La longueur du chemin est alors $H_ <(k)>+ H_ <(k-1)>+ 2$ si $k>1$, ou $H_<(k)>+1$ si $k=1$, avec $H = < h(T_) mid i=1,dots,k>$ le multi-ensemble des hauteurs des sous-arbres¹.

En pseudo code, l'algorithme ressemble à ceci :

Cela peut être résolu d'une meilleure façon. De plus, nous pouvons réduire la complexité temporelle à O(n) avec une légère modification de la structure des données et en utilisant une approche itérative. Pour une analyse détaillée et de multiples façons de résoudre ce problème avec diverses structures de données.

Voici un résumé de ce que je veux expliquer dans un article de mon blog :

Approche récursive – Diamètre de l'arbre Une autre façon d'aborder ce problème est la suivante. Comme nous l'avons mentionné ci-dessus, le diamètre peut

  1. se trouvent complètement dans le sous-arbre gauche ou
  2. se trouvent complètement dans le sous-arbre de droite ou
  3. peut s'étendre sur la racine

Ce qui signifie que le diamètre peut être idéalement dérivé par

  1. le diamètre de l'arbre gauche ou
  2. le diamètre de l'arbre droit ou
  3. la hauteur du sous-arbre gauche + la hauteur du sous-arbre droit + 1 (1 pour ajouter le nœud racine lorsque le diamètre s'étend sur le nœud racine)

Et nous savons que le diamètre est le chemin le plus long, donc nous prenons le maximum de 1 et 2 au cas où il se trouve dans l'un des côtés ou prenons 3 s'il traverse la racine.

Approche itérative – Diamètre de l'arbre

Nous avons un arbre, nous avons besoin d'une méta information avec chacun des nœuds pour que chaque nœud sache ce qui suit :

  1. La hauteur de son enfant gauche,
  2. La hauteur de son enfant droit et
  3. La distance la plus éloignée entre ses nœuds feuilles.

Une fois que chaque nœud a ces informations, nous avons besoin d'une variable temporaire pour garder une trace du chemin maximum. Au moment où l'algorithme se termine, nous avons la valeur du diamètre dans la variable temp.

Maintenant, nous devons résoudre ce problème dans une approche ascendante, car nous n'avons aucune idée des trois valeurs de la racine. Mais nous connaissons ces valeurs pour les feuilles.


4 réponses 4

Ajoutez un A majuscule au début de chaque ligne d'un fichier et écrivez un nouveau fichier-

Pour ajouter X au début de chaque ligne de file , en écrivant dans newfile , dans Terminal :

Ici, j'utilise sed , l'éditeur de flux Unix, pour utiliser une expression régulière très simple pour sremplacez le début de chaque ligne (le symbole ^) par un X.

L'éditeur de flux sed est probablement l'outil le plus rapide et le plus précis conçu pour cette tâche.

Utilisez la commande insert (le saut de ligne après fait partie de la syntaxe) :

Le délai ou la surcharge de cette opération est extrêmement faible, ce qui la rend très efficace pour les fichiers volumineux.

Cet extrait bash ajoutera un hachage ( # ) à chaque ligne d'un fichier et l'enregistrera dans un nouveau fichier :

Explication

IFS=


Voir la vidéo: Calcul de cheminement sur Covadis (Octobre 2021).