Suite

Classification à attribuer


En utilisant Esri Desktop Advanced 10.2.2, est-il possible de créer un attribut basé sur une méthode de classification, c'est-à-dire Jenks ? Pour élaborer - si vous utilisez l'onglet symbologie dans les propriétés d'une couche, vous pouvez définir une méthode de classification qui affiche les ruptures de classe, mais je souhaite également effectuer une analyse statistique basée sur ces ruptures de classe. Auparavant, je l'ai fait en effectuant la classification à l'aide des propriétés de la couche, puis en utilisant les sauts de classe pour effectuer un SQL et en modifiant manuellement un champ d'attribut avec le numéro de classe. Cela fonctionne, mais demande beaucoup de travail. Y a-t-il un moyen progamatique de le faire?


Vous pouvez calculer les valeurs de rupture naturelle à l'aide de la bibliothèque PySAL, puis Reclassifier ou utiliser ces valeurs à votre guise.

importer arcpy, pysal de pysal.esda.mapclassify importer Natural_Breaks comme nb myArray = arcpy.RasterToNumPyArray() casse = nb(monTableau.ravel(),k=,initial=20)

Je pense qu'il existe un moyen plus programmatique, mais il automatise uniquement les étapes que vous avez déjà décrites. Je ne connais pas facilement de plus efficace moyen d'automatiser pour cet effet.

Tout d'abord, ma réaction instinctive dit d'utiliser arcpy.mapping pour saisir une référence à votre objet calque cible, accéder à l'objet layer.symbology, puis extraire la liste layer.symbology.classBreakValues. Une fois que nous avons la liste des valeurs de rupture de classe pour votre classification Jenks, nous devons revenir en arrière et utiliser un arcpy.da.UpdateCursor() pour attribuer des valeurs de catégorie à vos données de manière conditionnelle, en fonction des limites de classification trouvées dans la couche. liste symbologie.classBreakValues. Ces valeurs de catégorie seraient placées dans un nouveau champ, peut-être appelé "BreakClass". Ensuite, lorsque tous vos enregistrements ont une valeur pour "BreakClass", nous pourrions passer à une analyse statistique plus approfondie, en les regroupant par nos étiquettes "BreakClass". Le suivant suppose ArcGIS 10.2.2 et que les données avec lesquelles nous travaillons sont locales sur votre machine, sur disque.

Cela suppose également que nous travaillons avec seulement 3 classes jenks. J'ai du mal à trouver un moyen généralisé de pousser les limites du classificateur sur les données en utilisant un nombre arbitraire de ruptures de classe - peut-être besoin de définir une fonction pour cela - commentaires bienvenus! En pensant globalement, cela peut ressembler à quelque chose comme ça - Bonne chance:

import arcpy target_jenks_layer = arcpy.mapping.Layer("C:path	o	helayerfile") # par exemple, où la couche cible prend en charge la symbologie et utilise des couleurs graduées… si target_jenks_layer.supports( "SYMBOLOGY") : si target_jenks_layer.symbologyType == "GRADUATED_COLORS": jenks_breaks_list = target_jenks_layer.symbology.classBreakValues ​​jenks_labels_list = target_jenks_layer.symbology.classBreakLabels pour break_value_value_cible jenks_breakValues ​​etc. ajoutez le champ aux données qui contiendra les étiquettes "BreakClass" si target_jenks_layer.supports("DATASOURCE") : arcpy.AddField_management(target_jenks_layer.dataSource, "BreakClass", "TEXT") # commencez à classer les données en utilisant les valeurs de ruptures comme limites conditionnelles curseur = arcpy.da.UpdateCursor(target_jenks_layer.dataSource, [target_jenks_layer.symbology.valueField, "BreakClass"]) pour la ligne dans le curseur : test_value = row[0] if test_value > jenks_breaks_list[0] et te st_value <= jenks_breaks_list[1] : row[1] = jenks_labels_list[0] cursor.updateRow(row) elif test_value > jenks_breaks_list[1] et test_value <= jenks_breaks_list[2] : row[1] = jenks_labels_list[1] curseur. updateRow(row) elif test_value > jenks_breaks_list[2] et test_value <= jenks_breaks_list[3]: row[1] = jenks_labels_list[2] cursor.updateRow(row) del row del cursor print('Terminé d'appliquer les étiquettes de rupture à l'ensemble de données')

Classification à attribuer - Systèmes d'Information Géographique

Vous avez demandé une traduction automatique du contenu sélectionné dans nos bases de données. Cette fonctionnalité est fournie uniquement pour votre commodité et n'est en aucun cas destinée à remplacer la traduction humaine. Ni SPIE, ni les propriétaires et éditeurs du contenu ne font, et ils déclinent explicitement, toute représentation ou garantie expresse ou implicite de quelque nature que ce soit, y compris, sans s'y limiter, les représentations et garanties quant à la fonctionnalité de la fonction de traduction ou l'exactitude ou l'exhaustivité de les traductions.

Les traductions ne sont pas conservées dans notre système. Votre utilisation de cette fonctionnalité et des traductions est soumise à toutes les restrictions d'utilisation contenues dans les Conditions d'utilisation du site SPIE.

Cartographie des catégories géographiques basée sur l'apprentissage des caractéristiques des attributs d'ontologie

Yunpeng Zhao, 1 Qun Sun, 1 Bowei Wen, 1 Chuanwei Lu 1

1 Université d'Ingénierie de l'Information. (Chine)

INSCRIVEZ-VOUS À LA BIBLIOTHÈQUE NUMÉRIQUE

50 téléchargements par abonnement d'un an

25 téléchargements par abonnement d'un an

Comprend PDF, HTML et vidéo, lorsqu'ils sont disponibles

L'hétérogénéité des informations géospatiales persistera longtemps. En tant que clé pour surmonter l'hétérogénéité sémantique, la cartographie des catégories a suscité une attention considérable. Dans les études précédentes, les ontologies géographiques existantes ne peuvent pas prendre en charge une extension multi-sémantique suffisante pour vaincre efficacement l'hétérogénéité sémantique. Lorsqu'elles ont été introduites pour explorer la cartographie des catégories, de nombreuses mesures de similarité sémantique ont rencontré le problème de l'établissement de poids subjectif et n'ont pas utilisé pleinement les informations sur la structure organisationnelle des catégories. Le développement rapide de l'intelligence artificielle (IA) et du traitement du langage naturel (NLP) apporte un nouvel éclairage à l'analyse et à la compréhension sémantiques dans le domaine de l'information géographique. Par conséquent, cet article propose une nouvelle méthode de cartographie des catégories géographiques basée sur l'apprentissage des caractéristiques des attributs d'ontologie, qui utilise les attributs d'ontologie et la hiérarchie de classification des catégories géographiques. Premièrement, un cadre sémantique de base basé sur des attributs d'ontologie est défini pour réaliser les descriptions de vectorisation sémantique de catégories géographiques, en extrayant des connaissances sémantiques à partir de définitions. Ensuite, une nouvelle méthode de codage hiérarchique est proposée pour décrire la hiérarchie de classification des catégories et identifier le statut de classification de chaque catégorie. Après cela, un mécanisme de mappage d'auto-apprentissage basé sur le réseau de neurones BP est utilisé pour établir la relation non linéaire entre les vecteurs propres des attributs d'ontologie et les états de classification, qui peuvent prendre en charge le mappage des catégories. Enfin, certains mappages de catégories sont formés par cette méthode pour évaluer les effets de transition et introduit le degré de différenciation des catégories pour analyser l'influence de la structure de classification sur la précision de la prédiction. Les résultats préliminaires montrent la faisabilité et la fiabilité du modèle proposé pour la cartographie sémantique automatique.

© (2020) COPYRIGHT Société des ingénieurs en instrumentation photo-optique (SPIE). Le téléchargement du résumé est autorisé pour un usage personnel uniquement.


17. Classification des données

Vous avez déjà lu plusieurs fois dans ce texte que les données géographiques sont toujours généralisées. Comme vous vous en souvenez au chapitre 1, la généralisation est inévitable en raison des limites de l'acuité visuelle humaine, des limites de la résolution d'affichage, et surtout des limites imposées par les coûts de collecte et de traitement des données détaillées. Ce que nous n'avons pas envisagé auparavant, c'est que la généralisation n'est pas seulement nécessaire, elle est parfois bénéfique.

La généralisation aide à donner un sens à des données complexes. Prenons un exemple simple. Le graphique ci-dessous (figure 3.18.1) montre la variation en pourcentage de la population des 67 comtés de Pennsylvanie sur une période de cinq ans. Les catégories le long de l'axe des x du graphique représentent chacune des 49 valeurs de pourcentage uniques (certains comtés avaient exactement le même taux). Les catégories le long de l'axe des y sont les nombres de comtés associés à chaque taux. Comme vous pouvez le voir, il est difficile de discerner une tendance dans ces données.

Le graphique suivant montre exactement le même ensemble de données, uniquement regroupé en 7 classes. Il est beaucoup plus facile de discerner des tendances et des valeurs aberrantes dans les données classifiées que dans les données non classifiées. Notez que la masse des taux de variation de la population est répartie autour de 0 à 5 pour cent, et qu'il existe deux comtés (comtés x et y) dont les taux sont exceptionnellement élevés. Cette information est masquée dans les données non classifiées.

Taux de changement de population pour 67 comtés AP (classés)
Pourcentage de variation de la population Nombre de comtés
Moins de 10 0
[-10, -5) 1
[-5, 0) 8
[0, 5) 44
[5, 10) 10
[10, 15) 2
[15, 20) 0
[20, 25) 1
[25, 30) 0
[30, 35) 1
Supérieur ou égal à 35 0

La classification des données est un moyen de généraliser les cartes thématiques. Il existe de nombreux schémas de classification des données. Si un schéma de classification est choisi et appliqué habilement, il peut aider à révéler des schémas et des anomalies qui pourraient autrement être masqués. De la même manière, un schéma de classification mal choisi peut cacher des schémas significatifs. L'apparence d'une carte thématique, et parfois les conclusions qui en sont tirées, peuvent varier considérablement selon le schéma de classification des données utilisé.


7. Échelles de mesure des attributs

Le chapitre 2 s'est concentré sur les échelles de mesure des données spatiales, y compris l'échelle de la carte (exprimée sous forme de fraction représentative), les grilles de coordonnées et les projections cartographiques (méthodes de transformation des échelles de mesure tridimensionnelles en deux dimensions). Vous savez peut-être que le mètre, la norme de longueur établie pour le système métrique international, était à l'origine défini comme un dix-millionième de la distance entre l'équateur et le pôle Nord. Dans pratiquement tous les pays, à l'exception des États-Unis, le système métrique a profité à la science et au commerce en remplaçant les fractions par des décimales et en introduisant une norme de mesure basée sur la Terre.

Des échelles normalisées sont nécessaires pour mesurer les attributs non spatiaux ainsi que les caractéristiques spatiales. Contrairement aux positions et aux distances, cependant, les attributs des emplacements à la surface de la Terre ne se prêtent souvent pas à une mesure absolue. Dans un article de 1946 dans Science, un psychologue nommé S. S. Stevens a décrit un système de quatre niveaux de mesure destiné à permettre aux spécialistes des sciences sociales de mesurer et d'analyser systématiquement des phénomènes qui ne peuvent pas simplement être comptés. (En 1997, le géographe Nicholas Chrisman a souligné qu'un total de neuf niveaux de mesure sont nécessaires pour tenir compte de la variété des données géographiques.) Les niveaux sont importants pour les spécialistes de l'information géographique, car ils fournissent des conseils sur l'utilisation appropriée de différentes statistiques, opérations analytiques et cartographiques. Dans ce qui suit, nous considérons des exemples des quatre niveaux de mesure originaux de Stevens : nominal, ordinal, intervalle et rapport.


Descriptifs

  • Scranton, Russell W.
  • Les gestionnaires de ressources des zones humides intertidales de l'Oregon ont besoin d'une couche SIG améliorée pour la gestion de l'habitat actuel des zones humides intertidales et des zones envisagées pour la restauration des zones humides intertidales. Un projet de reconnaissance a été lancé, de sorte que les interprétations des données de télédétection, le National Wetland Inventory, l'Oregon Estuary Plan Book et des outils de gestion supplémentaires ont été utilisés pour créer une « zone humide de marée » dans une géodatabase ArcGIS, pour les estuaires côtiers de l'Oregon, à l'exclusion du fleuve Columbia. . Avec une délimitation hydrologique améliorée des eaux de marée et des canaux, cet ensemble de données classe les zones humides de marée existantes pour une utilisation future de la gestion des ressources sur la base de la classification hydrogéomorphique (HGM) (adoptée à l'échelle nationale et par l'État de l'Oregon) et pour la classification de l'habitat sur la base du plan de l'estuaire de l'Oregon. Système de classement des livres. La classification « zones d'examen de la restauration » a été élaborée pour les terres où la restauration de la circulation des marées pourrait être géotechniquement réalisable en attendant d'autres études. Un travail préparatoire et une validation supplémentaires de la classification des ensembles de données sont recommandés avant que cette interprétation ne soit utilisée comme référence officielle pour la gestion des ressources. En plus de la classification des zones humides, ce projet a été en partie développé pour fournir une couche de base SIG qui, combinée à des ensembles de données supplémentaires, améliorerait la capacité des gestionnaires de ressources et des citoyens à hiérarchiser les efforts de restauration des zones humides intertidales et à évaluer l'intégrité écologique d'une zone humide intertidale individuelle. ou tout un complexe estuarien. Une simple analyse spatiale du système de classification de cet ensemble de données par bassin hydrographique et une comparaison avec le rapport sur l'état de l'environnement de l'Oregon 2000 (SER) montre des améliorations à l'ensemble de l'habitat actuel des marais littoraux. Il montre également que le SER a sous-estimé l'habitat total perdu en raison de l'altération anthropique sur la base des informations et des techniques disponibles pour leur évaluation. Le développement supplémentaire de l'ensemble de données peut améliorer la gestion des objectifs 16 et 17 des directives des objectifs de planification de l'État de l'Oregon, aider à la gestion de la pollution de source diffuse et la désignation des priorités d'habitat essentiel et de restauration pour le coho côtier en voie de disparition. Les gestionnaires de ressources et les citoyens pourront visualiser et interpréter cet ensemble de données et la documentation à l'appui à la bibliothèque de l'OSU ou en partie en ligne sur l'Oregon Coastal Atlas (www.coastalatlas.net).
  • Gestion des bassins versants -- Systèmes d'information géographique -- Oregon
  • Bancs intertidaux -- Systèmes d'information géographique -- Oregon
  • Université d'État de l'Oregon
  • 42988544 octets
  • description.provenance : Approuvé pour entrée en archive par Linda Kathman([email protected]) le 2006-10-19T13:23:32Z (GMT) Nombre de flux binaires : 1The Application of Geographic Information Systems.doc : 42988544 octets , somme de contrôle : e5fc4d1cbdacd9de538c86b393084770 (MD5)
  • description.provenance : Soumis par Janet Webster ([email protected]) le 2006-10-18T19:10:32ZNo. des flux binaires : 1 L'application des systèmes d'information géographique.doc : 42988544 octets, somme de contrôle : e5fc4d1cbdacd9de538c86b393084770 (MD5)
  • description.provenance : Mis à disposition dans DSpace le 2006-10-19T13:23:33Z (GMT). Nombre de flux binaires : 1 L'application des systèmes d'information géographique.doc : 42988544 octets, somme de contrôle : e5fc4d1cbdacd9de538c86b393084770 (MD5)

Classification à attribuer - Systèmes d'Information Géographique

Analyse comparative des algorithmes de classification pour la prévision critique des terres dans les zones de culture agricole

Akademi Statistika Muhammadiyah Semarang, Indonésie

Métriques de l'article :

  1. A. Susetyaningsih, "Pengaturan penggunaan lahan di daerah hulu DAS Cimanuk sebagai upaya optimalisasi pemanfaatan sumberdaya air," Kontruksi, vol. 10, non. 1, p. 1-8, 2012
  2. E. Junaidi et S. D. Tarigan, « Pengaruh hutan dalam pengaturan tata ruang air dan proses sédimentasi daerah aliran sungai : studi kasus di DAS Cisadane », Jurnal Penelitian Hutan dan Konservasi Alam, vol. 8, non. 2, pp. 155-176, 2011. doi: 10.20886/jphka.2011.8.2.155-176
  3. I. Mawardi, "Kerusakan daerah aliran sungai dan penurunan daya dukung sumberdaya air di pulau Jawa serta upaya penanganannya," Jurnal Hidrosfir Indonesia, vol. 5, non. 2, p. 1-11, 2010
  4. P. Pratiwi, I. S. D. Wayan, G. M. E. Hartoyo et Y. Nugroho, "Kesesuaian tempat tumbuh jenis-jenis pohon di DAS Pemali Jratun Jawa Tengah," Jurnal Penelitian Hutan dan Konservasi Alam, vol. 9, non. 4, pp. 299-321, 2012. doi: 10.20886/jphka.2012.9.4.299-321
  5. H. Hendro, Z. Nadhi, S. Budiastuti et D. Purnomo, "Pemetaan lahan kritis di kawasan Muria untuk meningkatkan daya dukung lingkungan yang berbasis pada sistem informasi geografis," Jurnal Ilmu Pertanian, vol. 17, non. 1, p. 46-51, 2014
  6. I. M. Parsa, U. S. Wiradisastra et H. Pawitan, "Identifikasi dan pemetaan lahan kritis menggunakan teknik pengindraan jauh dan sistem informasi geografi," Jurnal Manajemen Hutan Tropika, vol. 9, non. 2, p. 63-77, 2003
  7. D. S. Candra, "Analyse des terres critiques dans le bassin versant musi," International Journal of Remote Sensing and Earth Sciences, vol. 8, p. 13-18, 2011
  8. A. R. Oktaviani, A. L. Nugraha et H. S. Firdaus, "Analsis penentuan lahan kritis dengan metode logique floue berbasis pengindraan jauh dan sistem informasi geografi," Jurnal Geodesi Undip, vol. 6, non. 4, p. 332-341, 2017
  9. L. H. Prabandaru, A. Lailanugraha et A. Sukmono, « Pemetaan tingkat lahan kritis kabupaten wonosobo dengan penginderaan jauh dan sistem informasi geografis », Jurnal Geodesi Undip, vol. 5, vol. 4, p. 65-72, 2016
  10. L.A. Ramayanti, B.D. Yuwono et M. Awaluddin, "Pemetaan tingkat lahan kritis dengan menggunakan pengindraan jauh dan sistem informasi geografis," Jurnal Geodesi Undip, vol. 4, non. 2, p. 200-207, 2015
  11. T. Gashaw, T. Tulu, M. Argaw et A. W. Worqlul, "Évaluation et prédiction des changements d'utilisation des terres/couverture des terres dans le bassin versant d'Andassa, Bassin du Nil Bleu, Éthiopie," Environmental Systems Research, vol. 6, non. 1:17, pp. 1-15, 2017. doi: 10.1186/s40068-017-0094-5
  12. K. Amri, A. Halim et M. F. Barchia, "Analyse de la criticité de la zone de recharge et des terres dans le bassin versant de l'hydroélectricité Musi Bengkulu Indonesia," APCBEE Procedia, vol. 10, p. 235-240, 2014. doi : 10.1016/j.apcbee.2014.10.045
  13. H. Moayedi, A. Jamali, MBA Gibril, L. Kok Foong et M. Bahiraei, "Evaluation of tree-base data mining algorithms in land used/land cover mapping in a semi-arid environment through Landsat 8 OLI image Shiraz, Iran », Geomatics Natural Hazards and Risk, vol. 11, non. 1, p. 724-741, 2020. doi: 10.1080/19475705.2020.1745902
  14. D. Lu et Q. Weng, "Une enquête sur les méthodes et techniques de classification d'images pour améliorer les performances de classification," International Journal of Remote Sensing, vol. 28, non. 5, p. 823-870, 2007. doi : 10.1080/01431160600746456
  15. J. R. Otukei et T. Blaschke, « Évaluation des changements de couverture terrestre à l'aide d'arbres de décision, de machines à vecteurs de support et d'algorithmes de classification à maximum de vraisemblance », International Journal of Applied Earth Observation and Geoinformation, vol. 125, pp. 527-531, 2010. doi: 10.1016/j.jag.2009.11.002
  16. M. Pal et P. M. Mather, "Une évaluation de l'efficacité des méthodes d'arbre de décision pour la classification de la couverture terrestre," Remote Sensing Environment, vol. 86, non. 4, pp. 554-565, 2003. doi : 10.1016/S0034-4257(03)00132-9
  17. D. M. Farid, L. Zhang, C. M. Rahman, M. A. Hossain et R. Strachan, " Arbre de décision hybride et classificateurs Bayes naïfs pour les tâches de classification multi-classes ", Systèmes experts avec applications, vol. 41, non. 4, p. 1937-1946, 2014. doi : 10.1016/j.eswa.2013.08.089
  18. F. Gorunescu, Data Mining Concepts, Model and Techniques, 12e éd. Berlin, Heidelberg : Springer Berlin Heidelberg, 2011
  19. J. Han, M. Kamber et J. Pei, Data Mining : Concepts and Techniques. Waltham : Morgan Kaufmann, 2012
  20. T. Hall, S. Beecham, D. Bowes, D. Gray et S. Counsell, "Une revue systématique de la littérature sur les performances de prédiction des défauts en génie logiciel," IEEE Transactions on Software Engineering, vol. 38, non. 6, pages 1276-1304, 2012. doi : 10.1109/TSE.2011.103
  21. K. S. Kim, H. H. Choi, C. S. Moon et C. W. Mun, "Comparaison du k-plus proche voisin, analyse discriminante quadratique et discriminante linéaire dans la classification des signaux d'électromyogramme en fonction des directions de mouvement du poignet," Current Applied Physics, vol. 11, non. 3, pp. 740-745, 2011. doi : 10.1016/j.cap.2010.11.051
  22. U. Narayanan, A. Unnikrishnan, V. Paul et S. Joseph, « A survey on divers supervisiond classification algorithms », dans International Conference on Energy, Communication, Data Analytics and Soft Computing, Chennai, Inde, août 2017, pp. 2118-2124. doi: 10.1109/ICECDS.2017.8389824
  23. J. Wu, S. Pan, X. Zhu, Z. Cai, P. Zhang et C. Zhang, « Pondération d'attributs auto-adaptative pour la classification naïve de Bayes », Systèmes experts avec applications, vol. 42, non. 3, pp. 1487-1502, 2015. doi: 10.1016/j.eswa.2014.09.019
  24. L. Jiang, Z. Cai, H. Zhang et D. Wang, "Classificateurs de texte Naive Bayes : une approche d'apprentissage localement pondérée," Journal of Experimental & Theoretical Artificial Intelligence, vol. 25, non. 2, p. 273-286, 2013. doi : 10.1080/0952813X.2012.721010
  25. L. Jiang, C. Li, S. Wang et L. Zhang, "La pondération approfondie des caractéristiques pour Bayes naïf et son application à la classification de texte," Engineering Applications of Artificial Intelligence, vol. 52, pp. 26-39, 2016. doi: 10.1016/j.engappai.2016.02.002
  26. J. Wu, S. Pan, Z. Cai, X. Zhu et C. Zhang, "Dual instance and attribute weighting for Naive Bayes classification", dans International Joint Conference on Neural Networks, Pékin, Chine, juillet 2014, p. 1675-1679. doi: 10.1109/IJCNN.2014.6889572

Dernière mise à jour : 2021-06-26 11:33:02

Dernière mise à jour : 2021-06-26 11:33:04

Copyright (c) 2020 Jurnal Teknologi dan Sistem Komputer
sous http://creativecommons.org/licenses/by-sa/4.0.

A partir de 2021, le ou les auteurs dont l'article est publié dans la revue JTSiskom obtenir le droit d'auteur pour leur article. En soumettant le manuscrit à JTSiskom, le ou les auteurs sont d'accord avec cette politique. Aucune approbation de document spécial n'est requise.

Le ou les auteurs garantissent que leur article est original, écrit par le ou les auteurs mentionnés, n'a jamais été publié auparavant, ne contient pas de déclarations qui violent la loi, ne viole pas les droits d'autrui, est soumis au droit d'auteur qui est détenues exclusivement par l'auteur (s), et est libre de droits de tiers, et que l'autorisation écrite nécessaire pour citer d'autres sources a été obtenue par l'auteur (s).

Le ou les auteurs conservent tous les droits sur l'œuvre publiée, tels que (mais sans s'y limiter) les droits suivants :

  • Droits d'auteur et autres droits de propriété liés aux articles, tels que les brevets,
  • Le droit d'utiliser la substance de l'article dans ses propres travaux futurs, y compris des conférences et des livres,
  • Le droit de reproduire les articles à ses propres fins,
  • Le droit d'archiver vous-même les articles (veuillez lire notre politique de dépôt), et
  • Le droit de conclure des accords contractuels supplémentaires distincts pour la distribution non exclusive de versions publiées d'articles (par exemple, en les publiant dans des référentiels institutionnels ou en les publiant dans un livre), avec mention de sa publication initiale dans cette revue (Journal of Technology et systèmes informatiques).

Si l'article a été préparé conjointement par plus d'un auteur, chaque auteur soumettant le manuscrit garantit qu'il a été autorisé par tous les co-auteurs à accepter les avis de droit d'auteur et de licence (accords) en leur nom, et s'engage à notifier le co-auteur. auteurs des termes de cette politique. JTSiskom ne sera pas tenu responsable de tout ce qui pourrait survenir en raison du différend interne de l'écrivain. JTSiskom ne communiquera qu'avec les auteurs de correspondance.

Les auteurs doivent également comprendre qu'une fois publiés, leurs articles (et tout fichier supplémentaire, y compris les ensembles de données et les données d'analyse/de calcul) deviendront accessibles au public. La licence des articles publiés (et des données supplémentaires) sera régie par la licence Creative Commons Attribution telle qu'elle figure actuellement sur la licence internationale Creative Commons Attribution-ShareAlike 4.0. JTSiskom permet aux utilisateurs de copier, distribuer, afficher et exécuter des travaux sous licence. Les utilisateurs doivent attribuer le(s) auteur(s) et JTSiskom pour distribuer les travaux dans des revues et autres supports de publication. Sauf indication contraire, le ou les auteurs sont une entité publique dès la publication de l'article.


Système de classification climatique de Köppen

Le système de classification climatique de Köppen est l'un des systèmes de classification climatique les plus courants au monde. Il est utilisé pour désigner différentes régions climatiques de la Terre en fonction de la végétation locale.

Sciences de la Terre, Climatologie, Géographie, Sciences humaines, Histoire mondiale

Carte de classification de Koppen

Le système Köppen-Geiger utilise des couleurs et des nuances pour classer le monde en cinq zones climatiques en fonction de critères tels que la température, ce qui permet une croissance de la végétation différente.

Carte de S.E. Beck, N.E. Zimmermann, T.R. McVicar, N. Vergopolan, A. Berg et E.F. Wood

Le système de classification climatique de Köppen catégorise les zones climatiques à travers le monde en fonction de la végétation locale. Wladimir Köppen, un botaniste et climatologue allemand, a développé ce système pour la première fois à la fin du XIXe siècle, en se basant sur les recherches antérieures sur le biome menées par des scientifiques. Ces scientifiques ont appris que la végétation et le climat sont intimement liés. La végétation qui pousse dans une région dépend de la température et des précipitations, qui sont deux facteurs clés du climat. Les zones avec plus de précipitations et des températures plus élevées contiennent plus de forêts tandis que les régions avec moins de précipitations ont tendance à être des déserts. Le système de classification climatique de Köppen a été amélioré et modifié à plusieurs reprises depuis sa première publication.

Le système divise le monde en cinq zones climatiques en fonction de critères, généralement la température, qui permettent une croissance de la végétation différente. La carte Köppen&rsquos a utilisé différentes couleurs et nuances pour représenter les différentes zones climatiques du monde. Alors que la plupart des zones sont organisées en fonction de la température d'une région, la zone B se concentre sur l'aridité d'une région. Les zones sont les suivantes :

Zone A : zone tropicale ou équatoriale (représentée par des couleurs bleues sur la plupart des cartes)

Zone B : zone aride ou sèche (représentée par les couleurs rouge, rose et orange sur la plupart des cartes)

Zone C : zone tempérée chaude/douce (représentée par des couleurs vertes sur la plupart des cartes)

Zone D : zone continentale (représentée par les couleurs violet, violet et bleu clair sur la plupart des cartes)

Zone E : zone polaire (représentée par des couleurs grises sur la plupart des cartes)

Chaque zone est subdivisée en fonction de la température ou de la sécheresse. Par exemple, la zone A a trois subdivisions : la zone Af n'a pas de saison sèche, la zone Am a une courte saison sèche et la zone Aw a une saison sèche hivernale. La zone B est divisée en catégories liées aux régions telles que les déserts chauds et arides (Zone BWh) froids, les déserts arides (Zone BWk) chauds, les steppes arides (Zone BSh) et les steppes froides et arides (Zone BSk). Les zones climatiques C et D sont divisées en catégories en fonction du moment où les saisons sèches se produisent dans les zones, ainsi que de la froideur de l'été ou de la chaleur de l'hiver. Les climats de la zone E sont séparés en régions de toundra (zone ET) ou en régions de neige et de glace (zone EF). De plus, certaines révisions modernes du système incluent une sixième région, connue sous le nom de zone H. Cela représente un climat de montagne situé à des altitudes montagneuses.

Les cartes de classification Köppen&rsquos sont encore utilisées par les scientifiques et les climatologues à ce jour. Bien qu'il ait publié sa première carte au début des années 1900, Köppen a continué à la mettre à jour jusqu'à sa mort en 1940. Les climatologues ultérieurs, dont Rudolf Geiger, ont mis à jour des versions de cette carte, qui incluent souvent également le nom de Geiger. Au moment de la rédaction, une révision récente de cette carte a été publiée en 2018.

Le système Köppen-Geiger utilise des couleurs et des nuances pour classer le monde en cinq zones climatiques en fonction de critères tels que la température, ce qui permet une croissance de la végétation différente.


Introduction

La géodémographie est largement définie comme l'analyse des personnes en fonction de leur lieu de résidence. Il s'agit de segmenter la population en groupes homogènes sur la base d'une gamme de caractéristiques pour permettre le profilage des quartiers pour des applications de planification commerciale et de service public (Longley 2017). Au Royaume-Uni, le concept remonte aux années 1970 et a évolué de classifications grossières basées sur des recensements à des systèmes qui utilisent aujourd'hui une myriade de données individuelles et de mode de vie (Harris et al. 2005). Cependant, la notion de classification aréolaire est beaucoup plus ancienne et existe depuis la fin du XIXe siècle avec les travaux de Charles Booth (1889).

Les systèmes commerciaux au Royaume-Uni fonctionnent généralement au niveau du code postal (Petersen et al. 2011) avec une population moyenne de quarante résidents dans chacun des 1,75 million de codes postaux du pays (ONS 2014). D'autres pays utilisent des niveaux de granularité différents, mais beaucoup restent limités à des unités surfaciques. Cependant, l'utilisation d'unités surfaciques crée des problèmes d'agrégation spatiale. Les classifications géodémographiques supposent que chaque classe est largement homogène en partant du principe que "Oiseaux d'une plume volent ensemble" (Harris et al. 2005, p.16) par conséquent, les personnes ayant des traits similaires ont tendance à graviter vers des endroits similaires. Alors que les systèmes géodémographiques spécifiques à une application, tels que ceux de la santé (Abbas et al. 2009), de la criminalité (Ashby et Longley 2005) et de l'éducation (Singleton et Longley 2009) utilisent des intrants soigneusement sélectionnés, de nombreux systèmes commerciaux à usage général comprennent d'énormes réseaux d'entrées conçues pour décrire une gamme de modes de vie, de conditions comportementales et socio-économiques. Au fur et à mesure que d'autres variables sont ajoutées - à la fois recensement/socio-économique (par exemple, âge et type de logement) et mode de vie/comportement (par exemple, dépenses et activités de loisirs), il y a une augmentation de l'ambiguïté prospective comme le montre la figure 1.

Problèmes de classification au niveau agrégé causés par l'augmentation des variables et des traits des personnes

Deux zones hypothétiques existent : la zone A et la zone B (Fig. 1). Si la zone A était évaluée statistiquement de manière indépendante et regroupée dans un groupe « meilleur ajustement » précis basé uniquement sur l'ombrage des individus, cette zone serait attribuée à un groupe « en rouge ». Même en n'utilisant que cette seule variable, l'ambiguïté globale est évidente étant donné que tous les membres de cette zone ne correspondent pas à cette typologie. Il y a en fait quatre types de personnes résidant dans cette zone. Lorsqu'une deuxième variable est introduite, celle de la taille de la personne, l'ambiguïté collective augmente encore, comme en témoigne la zone B. Si cette zone devait être attribuée à un seul groupe « meilleur ajustement », elle pourrait tomber dans un groupe « grand bleu » (ou similaire). Dans ce cas, l'incertitude est plus grande et la capacité de classer avec un minimum de divergence devient plus difficile. De plus, d'importantes variations dans les données sont masquées et dans certaines applications, ce sont ces exceptions qui présentent le plus d'intérêt. Cela démontre la nécessité de réduire le nombre de variables au minimum lors de l'adoption d'une approche d'analyse de données dirigée par cluster, ce qui est également noté par Openshaw et Wymer (1995). Cependant, limiter le nombre de variables utilisées dans une classification peut nuire à une description riche et holistique des conditions du quartier et doit donc être correctement équilibré. De plus amples détails sur le clustering et en particulier l'approche k-means couramment utilisée peuvent être trouvés dans Vickers et Rees (2006) et Burns (2017).

Il y a eu beaucoup d'écrits sur la trajectoire projetée de la géodémographie, y compris les travaux d'Adnan et al. (2010) qui explore des techniques de visualisation géodémographiques plus innovantes et des systèmes de segmentation en temps réel. Plus récemment, les recherches de Singleton et Spielman (2014) expliquent comment les « données ouvertes » et les sources de données alternatives au recensement soutiendront de tels systèmes à l'avenir, ce qui est particulièrement important au Royaume-Uni lorsqu'un recensement traditionnel sera entrepris pour la dernière fois. en 2021 et suivie d'une analyse des données existantes et administratives (Cadman 2014). Cependant, il y a encore une couverture limitée dans la littérature sur le développement de méthodologies géodémographiques autour de l'individu. La capacité de classer les individus en fonction uniquement de leurs caractéristiques personnelles peut donner lieu à des grappes plus homogènes que les systèmes géodémographiques basés sur la zone. Il y a eu des travaux sur ce secteur commercial, qui ont conduit à diverses classifications des ménages, le système PersonicX d'Acxiom et le système Mosaic d'Experian en sont deux exemples (Acxiom 2016 Experian 2015) mais les détails de la façon dont ces systèmes propriétaires sont construits ne sont pas publiés. Au Royaume-Uni, le plus petit niveau géographique auquel les données sont publiées est la zone de sortie avec une population moyenne de 297 personnes en 2001 (ONS 2012). En particulier, ces données, lorsqu'elles sont classées, sont sujettes aux effets d'erreur écologique et de généralisation. Despite Farr and Webber’s (2001) work, which describes the benefits to be gained from moving from areal unit classification to systems capable of working at the level of the individual as being “intuitively obvious” (p.58), no work in the academic sector has previously been undertaken to test this. There is appreciation, however, of the potential loss of neighbourhood-level effects with such an approach examples include voting behaviour or newspaper readership, something area-based geodemographics are able to capture.

This paper aims to address this particular gap in the geodemographic literature by first demonstrating the need for an individual-based classification and then providing a framework for the development of such a system that uses only census data. The framework is then applied to the creation of an individual-based classification for the city of Leeds using data from the 2001 census and further validated using individual and household survey data from the British Household Panel Survey.


Types And Classification Of Database Management System + PDF

Based on the data model

Relational database – This is the most popular data model used in industries. It is based on the SQL. They are table oriented which means data is stored in different access control tables, each has the key field whose task is to identify each row. The tables or the files with the data are called as relations that help in designating the row or record, and columns are referred to attributes or fields. Few examples are MYSQL(Oracle, open source), Oracle database (Oracle), Microsoft SQL server(Microsoft) and DB2(IBM).

Object oriented database – The information here is in the form of the object as used in object oriented programming. It adds the database functionality to object programming languages. It requires less code, use more natural data and also code bases are easy to maintain. Examples are ObjectDB (ObjectDB software).

Object relational database – Relational DBMS are evolving continuously and they have been incorporating many concepts developed in object database leading to a new class called extended relational database or object relational database.

Hierarchical database – In this, the information about the groups of parent or child relationships is present in the records which is similar to the structure of a tree. Here the data follows a series of records, set of values attached to it. They are used in industry on mainframe platforms. Examples are IMS(IBM), Windows registry(Microsoft).

Network database – Mainly used on a large digital computers. If there are more connections, then this database is efficient. They are similar to hierarchical database, they look like a cobweb or interconnected network of records. Examples are CA-IDMS(COMPUTER associates), IMAGE(HP).

Based on the number of users

Utilisateur unique – As the name itself indicates it can support only one user at a time. It is mostly used with the personal computer on which the data resides accessible to a single person. The user may design, maintain and write the database programs.

Multiple users – It supports multiple users concurrently. Data can be both integrated and shared,a database should be integrated when the same information is not need be recorded in two places. For example a student in the college should have the database containing his information. It must be accessible to all the departments related to him. For example the library department and the fee section department should have information about student’s database. So in such case, we can integrate and even though database resides in only one place both the departments will have the access to it.

Based on the sites over which network is distributed

Centralized database system – The DBMS and database are stored at the single site that is used by several other systems too. We can simply say that data here is maintained on the centralized server.

Parallel network database system – This system has the advantage of improving processing input and output speeds. Majorly used in the applications that have query to larger database. It holds the multiple central processing units and data storage disks in parallel.

Distributed database system – In this data and the DBMS software are distributed over several sites but connected to the single computer.

Further they are classified as

1.Homogeneous DBMS – They use same software but from the multiple sites. Data exchange between the sites can be handled easily. For example, library information systems by the same vendor ,such as Geac Computer corporation, use the same DBMS software that allows the exchanges between various Geac library sites.

2.heterogeneous DBMS – They use different DBMS software for different sites but there is a additional software that helps the exchange of the data between the sites.

Client-server database system – This system has two logical components namely client and server. Clients are generally the personal computers or workstations whereas servers are the large workstations, mini range computers or a main frame computer system. The applications and tools of the DBMS run on the client platforms and the DBMS software on the server. Both server and client computers are connected over the network. We can relate it to client and server in real life to understand in a much better way. Here the applications and tools act as a client send the requests for its services. The DBMS processes these requests and returns the result to the client. Server handles jobs that are common to many clients say database access and updates.

Multi-tier client-server database system – The rise of personal computers in business has increased the reliability of the network hardware leading to evolution of two-tier and three-tier systems which use different software for the client and software.

Based on the cost

Low cost DBMS – The cost of these systems vary from $100 to $3000.

Medium cost DBMS – Cost varies from $10000 to $100000.

High cost DBMS – Cost pf these systems are usually more than $100000.

Based on the access

This classification simply based on the access to data in the database systems

Sequential access – One after the other.

Direct access

Inverted file structures

Based on the usage

Online transaction processing(OLTP) DBMS – They manage the operational data. Database server must be able to process lots of simple transactions per unit of time. Transactions are initiated in real time, in simultaneous by lots of user and applications hence it must have high volume of short, simple queries.

Online analytical processing(OLAP) DBMS – They use the operational data for tactical and strategical decision making. They have limited users deal with huge amount of data,complex queries.

Big data and analytics DBMS – To cope with big data new database technologies have been introduced. One such is NoSQL (not only SQL) which abandons the well known relational database scheme.

XML DBMS – two types

2.Enabled XML DBMS – Existing DBMS with facilities to store XML data and structured data in integrated way.

Multimedia DBMS – Stores data such as text, images, audio, video and 3D games which are usually stored in binary large object.

GIS DBMS – Stores and queries the spatial data.

Sensor DBMS – Allows to manage sensor data, bio-metric and telematics data.

Mobile DBMS – Runs on the smartphones, tablets. It Handles the local queries. Supports self management( no DBA).

Open source DBMS – Code is publicly available and can be extended by anyone, popular for small business applications.

As we said that we will provide you a free pdf file of Types and Classification of DBMS, so link to download this pdf file is given below.

So it was all about types and classification of Database Management System.

3 Comments Already

I pleased to learn greatly from your DBMS blog, How ever like Oliver Twist, I will be great if you can let me have material on planimetric, altimetric, and plan I metrical time trip classes of database

Thanks sir.classification of DBMS is mostly useful and it is very easily i understand and very helpful for me. Thanks a lot

Sir show the last point based on purpose please with easy way

Laisser une réponse Annuler la réponse

Ce site utilise Akismet pour réduire le spam. Découvrez comment les données de vos commentaires sont traitées.


Classification to attribute - Geographic Information Systems

Citation: Citation Information: Originator: New York State Adirondack Park Agency Publication Date: 200102 Title of Data Set: Adirondack Park Land Use and Development Plan Map Edition: Presentation Form: map Publication Information: Publication Place: Ray Brook, New York State Publisher: Adirondack Park Agency Online Linkage:

Description: Abstract: This data contains the land classification defined by the Adirondack Park Agency (APA) for the Adirondack Park, New York State.

Purpose: Individual 7.5-minute quadrangle sections were mosaiced together into a single comprehensive polygon shapefile for easy display and accurate overlay. The final layer was re-projected to UTM NAD 83. This data set has been and will continue to be used to determine the zoning category of properties within the Adirondack Park, as well as for other types of analysis and display.

Supplemental Information: Each of the original data layers was an integrated file containing lines representing hydrography, roads, and municipal, state, and private land boundaries. The coverages included both polygon and arc topology and attribution. The projection of the original coverages was UTM, Zone 18, NAD 27.

Supplemental Information: The original data sets were tiled by 7.5 minute quadrangles. Polygon attributes consisted of 14 State and private zones and open water. Line attributes included hydrography, road, municipal boundary, and State/private boundaries.

Time Period of Content: Time Period Information: Beginning Date: 1982 Ending Date: 19990719 Currentness Reference: 19990719

Status: Progress: Complete Maintenance and Update Frequency: As needed

Spatial Domain: Bounding Coordinates: West Bounding Coordinate: -75.319679 East Bounding Coordinate: -73.273282 North Bounding Coordinate: 44.884143 South Bounding Coordinate: 43.052363

Keywords: Theme: Theme Keyword Reference: NYS GIS Clearinghouse categories Theme Keyword: land Theme Keyword: land use Theme Keyword: planimetric Theme Keyword: political boundaries Theme Keyword: hydrography Theme Keyword: roads Theme Keyword: environment Theme Keyword: recreation Theme Keyword: Land Use Plan Theme Keyword: State Land Master Plan Theme Keyword: Land Classification Theme Keyword: Development Plan Map Theme Keyword: Adirondack Park Land Use and Development Plan Place: Place Keyword Thesaurus: Place Keyword: Adirondack Park Place Keyword: Adirondack Mountains Place Keyword: New York State Adirondack Park Place Keyword: Adirondack Park Forest Preserve Place Keyword: Adirondacks

Access Constraints: Data is available from the Adirondack Park Agency Use Constraints: Data is to be used at the scale intended. The data should not be used for legal determinations of zoning classification.

Point of Contact: Contact Information: Contact Organization Primary: Contact Organization: Adirondack Park Agency Contact Person Primary: Contact Person: John W. Barge Contact Address: Address Type: Mailing Address Address: P.O. Box 99, Route 86 City: Ray Brook State or Province: New York Postal Code: 12977 Contact Voice Telephone: 518-891-4050 Contact Fascimile: 518-891-3938 Contact Electronic Mail Address: [email protected]

Native Data Set Environment: Windows NT, ARC/INFO version 8.0, 2.7 MB

Attribute Accuracy Report:

Logical Consistency Report: Topologically Clean

Completeness Report: Topological and attribute accuracy was verified by visually examining the data in ArcPlot to ensure polygon topology.

Positional Accuracy: Horizontal Positional Accuracy Report: Quantitative Horizontal Positional Accuracy Assessment: Horizontal Positional Accuracy Value: Horizontal Positional Accuracy Explanation:

Process Description: Applied GIS, Inc. processing steps: Separate Arc/Info coverages of land classification were transmitted by electronic mail in compressed ZIP format from the APA. The individual Arc/Info interchange files were extracted from the zipped files using WinZip. An Arc Macro Language (AML) program was written to batch process the conversion of the interchange files to Arc/Info coverage format. A second AML program merged the polygon features of the layers into a composite coverage using the APPEND command. Polygon topology for the resulting coverage was defined using the CLEAN command with a 0.994 Fuzzy tolerance.

Interior boundaries between polygons with the same land classification code were removed by a DISSOLVE operation using the LCCD item. The PROJECT command was used to change the coverage datum from NAD 27 to NAD 83.

The final coverage was converted to shapefile format using the ARCSHAPE command.

Applied GIS, Inc. QA/QC analysis: Quality Assurance/Quality Control was determined by a series of tests. The geographic extent of the final shapefile was confirmed by zooming to the full extent of the data set. This operation identified potential outliers located beyond the quadrangle areas partially or wholly within the Adirondack Park boundary.

The accuracy of the type of attribute fields was verified by examining the ArcView field listing of the shapefile. Creating a summary table in ArcView confirmed valid attribute values.

The APPEND procedure created numerous sliver polygons along many east-west quadrangle boundaries. These features were edited by APA staff but may still exist.

The coordinate system of the final data set prior to conversion to shapefile format was verified by examining the coverage description in Arc/Info. The final shapefile was overlaid upon a theme known to be in the desired projection. Consistency between the known theme and the final APA Land Classification data layer was evaluated.

Process Description: Adirondack Park Agency QA/QC analysis: APA staff edited out sliver polygons, assigned labels to polygons that lost their labels during the APPEND.

Direct Spatial Reference Method: Vector

Horizontal Coordinate System Definition: Geographic: Universal Transverse Mercator (UTM) UTM Zone: 18 Geodetic Model: Horizontal Datum: North American Datum of 1983

Overview Description: Entity and Attribute Overview:

Attribute Name La description Attribute Type Input Width Output Width Decimal Places
Surface Area of the polygon Floating Point 13 13 6
Périmètre Perimeter of the polygon Floating Point 13 13 6
Lccd APA Land Classification Code Entier 2 2 0

LCCD Code Descriptions : Enumerated Domain Value Definition Source: From APA facsimile of the Official Adirondack Park State Land Master Plan Map on 1:24,000 quadrangles. Manually digitized by APA and NFLI. Hydrography data from NYS Department of Transporation 7.5 minute planimetric quad maps. THESE DATA SHOULD NOT BE USED AS LEGAL BOUNDARIES BETWEEN STATE AND PRIVATE OWNERSHIP.

Lccd Code La description
0 Outside Adirondack Park
1 Hamlet
2 Moderate Intensity
3 Low Intensity
4 Rural Use
5 Resource Management
6 Industrial Use
7 Wilderness
8 Canoe Area
9 Primitive
10 Wild Forest
11 Intensive Use
12 Historic
13 State Administrative
14 Pending Classification
15 Eau
99 Inconnu

Detailed Description: Entity Type: Entity Type Label: Land Classification Entity Type Definition: Polygon Attribute Table Entity Type Definition Source: ARC/INFO Attribute: Attribute Label: AREA Attribute Definition: Area of polygon in square coverage units (floating, 6 decimals, width = 13) Attribute Definition Source: computed Attribute Domain Values: Enumerated Domain Value: Positive real numbers Enumerated Domain Value Definition: Square Meters Enumerated Domain Value Definition Source: Attribute: Attribute Label: PERIMETER Attribute Definition: Perimeter of a polygon in coverage units (floating, 6 decimals, width = 13) Attribute Definition Source: computed Attribute Domain Values: Enumerated Domain Value: Positive real numbers Enumerated Domain Value Definition: Meters Enumerated Domain Value Definition Source: Attribute: Attribute Label: # Attribute Definition: internal number used by ARCINFO software first five characters of label in (binary, 0 decimals, width = 11) Attribute Definition Source: software assigned Attribute: Attribute Label: -ID Attribute Definition: user identification number for polygon attributes (binary, 0 decimals, width = 11) Attribute Definition Source: Attribute: Attribute Label: LCCD Attribute Definition: private or state land classification code for each polygon (integer, 0 decimals, width = 2) Attribute Definition Source:

Distributor: Contact Information: Contact Organization Primary: Contact Organization: Adirondack Park Agency Contact Person Primary: Contact Person: John W. Barge Contact Address: Address Type: Mailing Address Address: P.O. Box 99, Route 86 City: Ray Brook State or Province: New York Postal Code: 12977

Contact Voice Telephone: 518-891-4050 Contact Fascimile Telephone: 518-891-3938 Contact Electronic Mail Address: [email protected]

Standard Order Process: Digital Form: Digital Transfer Information: Format Name: ARCE Digital Transfer Option: Online Option: Computer Contact Information: Network Address: Network Resource Name: Fees: None

Metadata Date: 200008 Metadata Contact: Contact Information: Contact Organization Primary: Contact Organization: Adirondack Park Agency Contact Address: Address Type: Mailing and Physical Address Address: P.O. Box 99, Route 86 City: Ray Brook State or Province: New York Postal Code: 12977 Contact Voice Telephone: 518-891-4050 Contact Fascimile Telephone: 518-891-3938 Contact Electronic Mail Address: [email protected]

Metadata Standard Name: FGDC Content Standards for Digital Geospatial Metadata Metadata Standard Version: FGDC-STD-001-1998


Voir la vidéo: Classification ascendante hiérarchique cours 14: les données, la problématique (Octobre 2021).