Више

Груписање вредности након класификације јединствене симбологије у АрцГИС -у за рачунаре?

Груписање вредности након класификације јединствене симбологије у АрцГИС -у за рачунаре?


Имам слој за који користим јединствене вредности, категорију симбологије многих поља, али имам две различите вредности које бих желео да прикажем са истим симболом и ознаком за тај симбол у легенди.

Да немам легенду, једноставно бих им доделио исти симбол и не бих се бринуо због тога, али са легендом би на крају на два начина имала исту ствар.

Постоји ли начин да вредност у овој ситуацији буде нешто попут -1,* где све док је прво поље вредности -1 није важно шта је друго?


Како је предложио @Мартин у коментару, начин за то је коришћење групних вредности. Овде сам изабрао три вредности (помоћу тастера Цтрл за вишеструки одабир) Затим, након десног клика, бирам да се појаве помоћу једног симбола.

Сада могу да откуцам коју год ознаку желим за ту груписану вредност.


Коришћење градуисаних боја

Дипломирани приказ боја један је од уобичајених типова приказивача који се користи за представљање квантитативних информација - посебно за класе карактеристика полигона. Користећи градуирани приказ боја, квантитативне вредности за поље груписане су у уређене класе. Унутар класе, све карактеристике су исцртане истом бојом. Свакој класи додељује се постепена боја од најмање до највеће.

Проценат латиноамеричког и латиноамеричког становништва у окрузима Тексас. Већи проценти су представљени коришћењем дубљег зеленила.

Употреба степенастих боја често је корисна за приказ класа вредности и колико далеко могу бити распоређене са обе стране просечне или средње вредности. У доњем примеру, двобојна рампа помаже у наглашавању вредности изнад средње (приказано плавом бојом) и вредности испод средње вредности (приказано црвеном бојом).

Кључни аспект дизајна у коришћењу градуисаних боја за слој је класификација нумеричких података. За добар преглед метода класификације доступних у АрцГИС -у погледајте Класификовање нумеричких поља за дипломирану симбологију.

  1. Десним тастером миша кликните слој који желите да нацртате помоћу степенастих боја у садржају и кликните Својства.
  2. Кликните на картицу Симбологија у дијалогу Својства слоја.
  3. Кликните на Количине, а затим на Градуиране боје.
  4. Одаберите нумеричко поље које садржи квантитативне податке које желите мапирати.
  5. Опционо, изаберите поље за нормализацију да бисте нормализовали податке. Вредности у овом пољу ће се користити за поделу поља Валуе за стварање односа.

Односи нормализације су корисни када други фактори утичу на нумеричке вредности које класификујете и приказујете. На пример, величина сваког округа може утицати на број хиспано -латиноамеричких Американаца. Можете поделити овај број на укупну популацију да бисте нормализовали вредности као пропорције.


Почети

Генерал

  • Претрага команди помаже вам да пронађете алате и команде за довршавање задатка из прозора апликације АрцГИС Про. Погледајте Претраживање команди у одељку Истакнуто.
  • Последња команда коју притиснете на контекстни мени подразумевано је изабрана следећи пут када отворите мени. Ово штеди време када ваши токови посла укључују задатке који се понављају. Ово подешавање можете променити у опцијама корисничког интерфејса.
  • Нови водич за брзи почетак, Дељење веб алата, показује вам како да делите алат за геопроцесирање са порталом АрцГИС Ентерприсе. АрцГИС Про -а захтевају нови параметар АЦЦЕПТЕУЛА = иес за потврду прихватања лиценцног уговора са крајњим корисником.

ГИС за избеглице, од избеглица

С обзиром да је сукоб у Сирији сада у шестој години, више од 659.000 Сиријаца побегло је у суседни Јордан да потражи уточиште од маја 2017. године, према подацима Високог комесара Уједињених нација за избеглице (УНХЦР). Од Сиријаца у Јордану, УНХЦР каже да више од 79.000 живи у избегличком кампу Заатари, што га чини једним од највећих избегличких кампова на свету по броју становника.

Заатари је јединствен камп по томе што је у суштини мали град, који захтева исте ГИС услуге које би свака канцеларија урбанисте требала да управља инфраструктуром, као што су електричне и водоводне мреже, и подржава услуге заједнице. Али до недавно, Заатари није подржавао ГИС услуге, па је било коме било тешко доносити информисане одлуке.

Штавише, становници Заатара не само да се суочавају са основним животним изазовима, као што су несташица хране и воде и недовољна медицинска нега, већ се суочавају и са много системскијим проблемом: недостатком средстава за живот и образовањем.

Како би ублажио ова два различита, али повезана питања, УНХЦР је, заједно са Роцхестер институтом за технологију (РИТ) и међународном помоћи и развојем (ИРД), створио избеглички ГИС или РефуГИС, иновативни пројекат који омогућава избеглицама које живе у Заатарију да уче и граде ГИС услуге потребне за јачање заједнице кампа која се стално повећава.

Потпуно укључени у доношење одлука

Иако су спроведене бројне иницијативе за изградњу капацитета за избеглице широм света, РефуГИС-који се финансира из гранта из Фонда за иновације УНХЦР-први је пројекат у коме су избеглице у потпуности укључене у процесе доношења одлука у заједници, од планирања ванредних ситуација до класификације инфраструктуре. Употребом својих новостечених вештина ГИС -а, учесници у РефуГИС -у могу креирати мапе које подржавају дискусије о управљању камповима и ангажовању заједнице.

“ГИС видимо као веома важну образовну прилику за избеглице,##8221 рекла је Ирене Омонди, службеник за заједнице УНХЦР -а у Заатарију. “Вештине које избеглице уче кроз пројекат РефуГИС примењују се на важне начине за опслуживање кампа, попут нуђења јединствених информативних производа за решавање питања заједнице. ”

На почетку пројекта, координатори су контактирали људе који су се пријавили за радно место техничара за информационе технологије (ИТ) како би проценили њихов интерес за учешће у РефуГИС -у. УНХЦР је, у партнерству са РИТ -ом, затим спровео тест способности за просторно размишљање и обавио интервјуе са подносиоцима захтева како би сазнао ко има снажну жељу да научи ГИС и сродне ИТ вештине. Од кандидата, изабрана је основна група од 12 становника Заатара за покретање РефуГИС -а - и нико од њих није имао искуство у ГИС -у.

Након што је изабрана основна група, УНХЦР је искористио средства за иновације за набавку образовних ресурса, заједно са софтвером и хардвером, потребним за почетак пројекта. ИРД је употребио додатна средства за иновације за куповину 12 лиценци за АрцГИС Десктоп путем програма Есри ’с за непрофитне организације. Партнери су такође набавили 12 персоналних рачунара и 12 Андроид таблета како би учесници пројекта могли да запосле АрцГИС Онлине и Цоллецтор за АрцГИС за прикупљање, складиштење и ширење података на терену. Есри технологија је у центру РефуГИС -а.

Са свим материјалима у рукама, РефуГИС је основао наменску ГИС рачунарску лабораторију, отворену сваког дана за учеснике програма, како би олакшао сталну обуку и континуирани рад на пројектима. Верује се да је ово прва ГИС рачунарска лабораторија у Заатарију или било ком другом избегличком кампу на свету.

Поучавање основама

Др Бриан Томасзевски из РИТ -а је обучавао 12 кључних учесника РефуГИС -а у ГИС -у и сродним ИТ вештинама. Полазници првенствено користе АрцГИС Десктоп да науче о концептима мапирања, као што су координатни системи и тематско мапирање, као и о темама специфичним за софтвер, попут рада са дигиталним скуповима података, слојевима мапа и картографијом у АрцГИС-у. Такође се упознају са сродним програмима, као што су Мицрософт Екцел и Аццесс, Опен Дата Кит и Адобе Цреативе Суите.

Поред тога, професори са локалних јорданских универзитета поучавали су учеснике основним принципима графичког дизајна и основама управљања базама података.

"Веома смо узбуђени што имамо прилику да пружимо образовање и обуку нашој сиријској браћи и сестрама", рекао је др Нијад Ал-Најдави са Јорданског примењеног универзитета Ал-Балка.

“Сви смо морално дужни да на овај или онај начин помогнемо нашим сиријским суседима, ” додала је др Сара Тедмори са Универзитета за технологију принцезе Сумаје у Јордану. “Сматрам ово као [ан] прилику да дају јединствен допринос помоћи избеглицама кроз образовање и обуку, што ће им на крају омогућити приступ доношењу одлука. ”

Двоструки ефекат

Досадашњи утицај РефуГИС -а био је двојак: не само да је 12 кључних учесника изградило ГИС који омогућава њима и њиховим колегама становницима Заатара да доносе информисане одлуке, већ су такође доживели лични раст.

За само четири месеца, тим РефуГИС -а спровео је неколико успешних ГИС пројеката у Заатарију. На пример, тим је користио Цоллецтор за прикупљање информација о инфраструктури кампа. Учесници су такође користили АрцГИС Десктоп и АрцГИС Онлине за израду референтних мапа објеката у околини Заатара, као што су домови заједнице, здравствене канцеларије, школе, игралишта и складишта. УНХЦР и његови партнери у имплементацији, као и сви становници кампа, могу користити ове мапе.

Иако су ови пројекти свакако важни, лични раст за који учесници РефуГИС -а кажу да су доживели је највреднији аспект пројекта.

“Када сам почео да радим на РефуГИС -у, више се нисам осећао као избеглица, "##рекао је Марван Тхееб Алзоуби, сиријска избеглица која живи у Заатарију више од четири године и део је основног тима који је покренуо РефуГИС.

“Доступни су и други послови у кампу Заатари, али сам их прошао да бих могао бити део РефуГИС -а,##додао је Ибрахим Алхамад, још један члан основног тима који је дошао из Сирије и већ три године живи у Заатарију године. “ГИС видим као важно оруђе за избеглице и моју будућност. ”

У идеалном случају, избеглице које учествују у РефуГИС-у моћи ће да пренесу своје нове ГИС вештине у додатне могућности за запошљавање у кампу и шире-у Јорданској Сирији, ако се могу вратити и другде-пошто су послови везани за ГИС веома тражени .

Проширење бенефиција

РефуГИС такође има интерни образовни програм, где инструктори из РИТ -а и други партнери на пројекту обучавају основни тим за подучавање ГИС -а другим избеглицама. У почетку су тренери РефуГИС -а поучавали основе ГИС -а и како користити АрцГИС друге који су се придружили пројекту. Међутим, није прошло много времена да се обука прошири и изван РефуГИС -а, с новим тренерима који су поучавали друге избеглице, као и УНХЦР и његове партнере у имплементацији, како да направе картирање на терену. Програм обуке је делимично намењен одржавању РефуГИС -а на дужи рок. Али такође има за циљ да прошири могућности личног раста које нуди ГИС на што већи број избеглица.

Избеглице широм света су изузетно заинтересоване за изградњу вештина које им могу обезбедити средства за живот у земљама домаћинима. Иако непрофитне и технолошке компаније избеглицама често пружају обуку из информатичких вештина, попут програмирања и веб развоја, ГИС није наглашен. РефуГИС решава овај јаз тако што је избеглице био први у свету ГИС пројекат за избеглице.

Циљ је да временом учесници РефуГИС -а буду у могућности да сами управљају информацијама из Заатара и решавају питања заједнице доношењем сопствених просторно заснованих одлука. Крајњи циљ је, међутим, проширење пројекта широм свијета, јер све избјеглице имају јединствене просторне ситуације и могле би имати користи од образовних и економских могућности које ГИС може пружити.


Пројекат геопросторне анализе

На овом курсу заснованом на пројекту осмислићете и извршити комплетну анализу засновану на ГИС-у-од идентификовања концепта, питања или питања које желите да развијете, па све до коначних производа са подацима и мапа које можете додати у свој портфолио. Ваш завршени пројекат ће показати ваше овладавање садржајем у ГИС специјализацији и подељен је на четири фазе: Прекретница 1: Предлог пројекта - Концептуализујте и осмислите свој пројекат апстрактно и напишите кратак предлог који укључује опис пројекта, очекиване податке потребе, временски оквир и начин на који очекујете да га довршите. Прекретница 2: Дизајн тока посла - Развијте ток рада анализе за свој пројекат, који ће обично укључивати стварање најмање једног језгровитог алгоритма за обраду ваших података. Модел не мора бити сложен или компликован, али би вам требао омогућити анализу просторних података за нови излаз или креирање нове аналитичке карте неке врсте. Прекретница 3: Анализа података - Набавите и претходно обрадите податке, прођите их кроз своје моделе или друге токове рада да бисте добили грубе производе са подацима и почните са стварањем коначних производа на карти и/или анализом. Прекретница 4: Креирање мапа на вебу и штампању - Завршите свој пројекат тако што ћете предати употребљиве и атрактивне мапе и своје податке и алгоритам за стручну проверу и повратне информације.

Получаемие навики

Географски информациони систем (ГИС), Анализа података, Пројекат, Анализа мапа, Управљање пројектима

Рецензии

Одличан курс, заиста ми се допало да се бавим пројектом по свом избору и да се суочим и срушим све изазове са којима сам се суочио на свом путу до завршетка пројекта.

Одлична класа, корисни професор и администратор! Н нДефинитивно је изгребао срж арцГИС -а, а убудуће ће радити више анализа!

У овом модулу ћете имати седму и осму недељу да усавршите своје вештине израде карата, израђујући најмање две мапе које визуелно тумаче резултате ваше анализе. Приликом израде веб мапе и мапе са распоредом за штампање, као и кроз додатне материјале за вежбање, побољшаћете картографске технике које сте претходно научили, као и нове како бисте лакше приказали информације у облику карте. Ако се одлучите за то, изградићете и малу веб страницу за свој пројекат до завршетка овог модула.

Преподавачи

Ницк Сантос

Текст видео

[МУЗИКА] Добродошли назад. У овом видеу ћу вам показати како да промените симбологију и приказ ваших слојева. Прво ћу зумирати свој окружни слој. Затим ћу додати ознаку да сачувам своје место. Не морате ово да радите, али добро дође за сваки случај када се почнете кретати, увек се можете вратити на ово место. Сада смо спремни за промену симбологије. Кликните на икону стила испод назива слоја. Први корак је одабир атрибута који желимо приказати, у овом случају желимо име. Друго, ми ћемо изабрати наш стил цртања. Хајде да видимо како изгледа јединствени стил симбола. Дакле, сада видимо све атрибуте имена и спремни смо да им доделимо јединствени симбол. Обратите пажњу на то да постоји само 10 округа који имају симбол. Ако желимо да истакнемо само неколико жупанија, оне које не желимо#желимо да превучемо у другу категорију. Међутим, ако желимо истакнути све жупаније, само морамо кликнути Распореди и то ће дати симболе свим жупанијама. Да бисте променили палету боја, кликните на симболе у ​​горњем десном углу. Одавде можемо бирати између много различитих опција. Када изаберете ону која вам се свиђа, обавезно кликните ОК да бисте сачували промене. Такође можемо променити укупну транспарентност слоја. Погледајте шта се дешава када користим клизач испод. У реду, хајде да истражимо другу опцију. Обавезно кликните ОК да бисте сачували све промене, ово је веома важно. Ако притиснете Откажи или Назад, неће бити сачувано ниједна од промена које сте већ унели. Погледајмо једну симболику. Помоћу ове методе можемо обликовати наше податке на исти начин. &#Кс27м ћу направити границу округа. Урадићу то са провидним филмом, светлим обрисом, нека &#к27с ради црвено, а ми можемо променити узорак у испрекидану линију. Ово ми се свиђа. Желео бих да истакнем једну ствар: не само да можете да промените укупну транспарентност слоја, већ можете и да промените транспарентност појединачне компоненте тог слоја, као што је обрис пунила. На пример, ако изаберем белу испуну, могу променити транспарентност на 50% без утицаја на граничну линију. Насупрот томе, ако променим транспарентност овде, чак би и граница нестала као и испуна. Не заборавите да кликнете на ОК да бисте сачували промене. Сада када смо прошли кроз два различита стила представљања симбологије, хајде да видимо шта се дешава када изаберемо атрибут са подацима који су с њим повезани. Ја ћу изабрати атрибут воде. Обратите пажњу на то како када смо променили атрибуте имамо нову опцију стила. То је зато што слој има нумеричке податке који се могу приказати. Оплемените ову карту бојом како бисте видели који окрузи имају највише воде. Видећете сада да имамо више опција за приказ. Падајући мени подељено према опционо је опционалан, али овде можемо изабрати друге атрибуте за упоређивање вредности у процентима и слично. За сада ћемо га задржати као ниједног. Падајући мени теме даје нам различите опције градијента да истакнемо оно што желимо да прикажемо. За ову мапу ћемо се држати теме од високих до ниских. Овај графички приказ приказује дистрибуцију математичких вредности, при чему је максимум на врху, минимум на дну и просек на месту где је Кс бар. Минималне и максималне вредности можемо променити помоћу клизача са леве стране. Такође можемо увећати клизач да увећамо вредности и фино подесимо распон. Дозволите да &#к27с промене боје кликом на симболе. Изабраћу рампу плаве боје, јер то има смисла за воду. Уверите се да вредности рампи у боји имају смисла, где је тамнија вредност највећа, а светлије најниже. Такође можете обрнути рампу боја, ако то није случај на вашем екрану. Притисните У реду да бисте сачували промене. Затим допустимо &#к27с да класификују наше податке ради лакшег разумевања кликом на поље за потврду Класификовани подаци. Подешавам транспарентност тако да боље видим слој. У реду, овде нам је дато неколико различитих метода класификације, као што су природни прекиди, једнаки интервали, квантиле и ручни прекиди. И за ову мапу ћу изабрати квантил. Можете повећати број часова или смањити, у зависности од тога како желите да се ваши подаци приказују. За сада ћу изабрати пет. Такође можете изабрати да заокружите часове на најближу десетину, али ја ћу их оставити онаквима какви јесу и задржати њихове тачне вредности. Нека &#к27с кликну на ОК да сачувамо наше измене. Дакле, сада имамо нашу мапу Калифорније, са нашим жупанијским границама и нашим подручјем воденог градијента. Али шта то све значи? Па допустимо &#к27с да додају неке ознаке нашим жупанијама. Кликните овде Готово овде при дну да бисте сачували све промене. Сада се враћамо у окно са садржајем. Нека &#к27с изаберу Више опција и изаберу Направи ознаке. Овде можемо променити врсту текста који желимо да прикажемо, у овом случају желимо назив. Такође можете додати одређене различите ИД -ове који се налазе овде. Хајде да смањимо величину да се боље уклопи. А у тамнијим подручјима мало је тешко видети, па нека &#к27 додају ореол. Свиђа ми се то. Нека &#к27с притисне ОК да сачувате. Када кликнемо на ову картицу Легенда, можемо пронаћи све наше вредности распона које одговарају бојама. У реду, и тиме је ова лекција завршена. Хајде да прегледамо оно што смо научили у овом видеу. Прво смо научили како да обликујемо атрибут локације користећи јединствене симболе или исти симбол. Затим смо научили како да променимо укупну транспарентност слоја, као и појединачну компоненту испуне и контуре тог слоја. Такође смо научили како да обликујемо нумерички атрибут користећи стил боје. Нисмо прешли стил величине, али у основи користи исти приступ као и стил боје. И онда смо коначно научили како додавати ознаке на нашу мапу. У следећем видеу ћу вам показати како да додате белешке на мапу да бисте истакли одређене карактеристике.


Потребна помоћ са симболиком више поља

Потребна ми је помоћ која симболизује слој заснован на три поља у АрцГИС Про -у.

Прво поље је тип и има два категоризирана текстуална поља симболизована као кругови или троуглови

Друго поље броји од 0-4000. Треба га поделити у групе попут & лт100, & лт500, & лт 1000, & лт2000, & лт4000 и симболизовати као пропорционалне симболе

Завршно поље је % поље које треба да се уклопи у групе као што су & лт-25, & лт0, & лт25, & лт50, & лт100 и да се симболизује као рампа за боју.

Користио сам симболику & куотвари би аттрибуте & куот која изгледа да успева, али не могу да схватим како да имам контролу над групацијама. Верујем да морам да напишем прилагођени израз, али групе су за мене превише сложене. Имаш ли идеју о томе како најбоље проћи? ТИА

Ја бих створио 2 поља у којима се наводи распон ваших вредности, а затим их можете лакше користити за симболизацију.

Користите упите дефиниције да бисте изоловали сваку групу.

Један проблем са којим се сусрећете је то што покушавате да помешате типове симбологија. Пропорционални симболи су квантитативни и не користе класе или канте, које би биле дипломирани симболи и квалитативни. А варирај по атрибутима ради само за квантитативну, па ти цан &#к27т контролише групе јер их нема. Стога је ваш први избор ако заиста желите дипломирану или заиста пропорционалну симбологију.

Ако желите пропорционалну вредност, најједноставније је поставити пропорционалну симбологију у поље за бројање, са променљивом симболиком по атрибуту постављеном у пољу процента. Када на основу та два поља добијете све тачке које изгледају као да желите, копирајте слој и на свако од њих поставите упит за дефиницију са једним постављеним троуглом и другим кругом, према Рамблер -овој предложеној методи.

Ако заиста желите дипломирану симбологију, барем једно ако не и једно и друго ваше два квантитативна поља морат ће се претворити у квалитативно поље по методи брисања &#к27с. Могли бисте да користите дипломирану симбологију за генерисање класа за једну од две, али пошто то не можете учинити за Вари би Аттрибуте, онда би другу требало претходно класификовати. С обзиром да је претходно разврстана у секвенцијалне вредности, онда би варирање по атрибуту на много ограниченијем скупу требало да произведе довољно различите боје да изгледа као да је класификовано иако није (као у класама класа ако их пратите). У ствари, најједноставнији метод који би ишао овом рутом вероватно би био да направите јединствене симболе засноване на кругу или троуглу, а затим промените боју и величину према атрибуту. Вредности ваше класификације величине желеле би да буду пт вредност за величину симбола, али боја није битна. Осим што се разликује по атрибутима, ваша легенда ће бити рампа/домет, а не дискретне кутије, тако да морате да имате скривену копију слоја са само том симболиком поља да бисте добили оквире.

У супротном ћете морати да користите јединствене вредности, многа поља и сами дефинишете симболику за сваку од ваших очигледних 50 могућих комбинација.

Сада је можда могуће користити Аркадни израз за све ово, али нисам видео пример који постаје толико сложен. У ствари, видео сам једно ГеоНет питање које покушава да користи логику у симбологији и није успело док нису тешко кодирали комбинације. С друге стране, у овом посту на блогу за затворску мапу некако су добили симбол приказан у три боје за капацитет испод/при/преко, плус постепену величину до краја, а сви су користили оно што изгледа као један слој . Нажалост, они приказују само део израза који контролише ундер/ат/овер, а ја &#к27м нисам сигуран како се то уклапа са остатком. Требало би лоцирати тај слој мапе и видети да ли бисте га могли отворити и укопати у симбологију и видети како је састављен.


ЕСРИ техничко сертификовање АрцГИС Десктоп

Отвара се дијалог Цреате Феатуре Цласс Фром КСИ Табле. Уочите да је АрцМап аутоматски доделио вредности географске дужине пољу Кс, а вредности географске ширине пољу И.
Ове тачке података су преузете из извора који користе ВГС 1984.
Кликните на Координатни систем улазних координата.

У дијалошком оквиру Спатиал Референце Пропертиес идите на и додајте ВГС 1984 координатни систем. (Корисници АрцГИС 10.0: За навигацију кликните на дугме Изабери.)

У оквиру Излаз кликните на дугме Прегледај и поставите излазну класу својства као .. Студент ЦоордВоркинг10_0 Ассигн_ГЦС Ассигн_ГЦС.гдб КСИафрица_цитиес, а затим кликните на дугме У реду.

У прозору Каталог, база географских података Ассигн_ГЦС сада садржи вашу новостворену класу функција. Подаци у .цсв датотеци су сада у формату који АрцГИС може да користи.
Превуците класу функција КСИафрица_цитиес на мапу.

Пет тачака које представљају градове приказује се на карти.
У менију Обележивачи изаберите Африка.


Класификација и груписање се често међусобно мешају или користе наизменично. Груписање и класификација се разликују по томе да ли су број и тип класа унапред познати (класификација), или ако су научени из података (груписање). Свеобухватни циљ класификације и груписања је да се запажања сврстају у групе које деле сличне карактеристике, док се максимизира раздвајање група које се међусобно разликују. Кластери се налазе у еколошким и друштвеним апликацијама, а класификација је уобичајен начин организовања информација. Оба се користе у многим областима ГИС -а, укључујући детекцију просторних кластера, класификацију даљинским детектовањем, картографију и просторну анализу. Картографске методе класификације представљају поједностављени начин испитивања неких метода класификације и груписања, а оне ће бити детаљније истражене помоћу примера примене.

Ламб, Д. (2020). Класификација и груписање. Географске информационе науке & амп; Технолошко тело знања (Издање за прву четвртину 2020), Јохн П. Вилсон (прир.). ДОИ: 10.22224/гистбок/2020.1.11.

Овај унос је објављен 20. марта 2020.

Ранија верзија се такође може наћи на:

ДиБиасе, Д., ДеМерс, М., Јохнсон, А., Кемп, К., Луцк, А. Т., Плеве, Б., анд Вентз, Е. (2006). Анализа просторних кластера. Географске информационе науке & амп; Технолошко тело знања. Васхингтон, ДЦ: Удружење америчких географа. (2. квартал 2016, први дигитални).

Груписање: Методе којима се настоји идентификовати груписање или сврставање података у групе.

Класификација: Методе којима се настоји сврстати податке у познате групе или категорије.

Посматрање: Запажања су појединачне тачке података у већем скупу података. У ГИС -у и ампТ -у, посматрање може бити ред у табели атрибута.

Променљива: Променљива је својство или карактеристика која је мерена око једног или више запажања. У ГИС -у и ампТ -у то се може односити на атрибуте или колоне у табели атрибута.

Унивариате / Мултивариате: Унивариате се односи на једну променљиву или атрибут, а мултивариате на више од једне променљиве.

Међусобно искључују: Узајамно искључујући је појам по вероватноћи који значи да се два догађаја не могу догодити истовремено. Бацајући новчић, два догађаја су глава и реп. Окретање новчића не може бити истовремено и глава и реп.

Просечна или средња: Средња вредност се израчунава као збир вредности променљиве, подељен са бројем посматрања. То је један од начина представљања центра података.

Класификација и груписање се често међусобно мешају или користе наизменично. Њихове дефиниције се мало мењају у зависности од дисциплине или под-дисциплине. У сваком случају, циљ је генерализирати детаљне информације садржане у атрибутима у мањи број класа (категорија или група). Ако је запажање део категорије, каже се да је члан те групе. Чланство у категорији значи да посматрање не може бити члан било које друге категорије, или се за категорије каже да се међусобно искључују. То јест, не постоји преклапање између граница сваке класе.

Груписање и класификација се разликују по томе да ли су број и тип класа унапред познати (класификација), или ако су научени из података (груписање). Ово се понекад разликује као надзирано учење (класификација) и учење без надзора (груписање). Географска локација може или не мора бити укључена у оба приступа.

Пример унапред дефинисаних категорија које се користе у класификацији даљинског детектовања су класе земљишног покривача, као што су Вода или Јалово земљиште. Постоји постојећи број категорија за покривање земљишта (потенцијално неколико стотина различитих категорија). Свака од ових класа земљишног покривача има одређене карактеристике повезане (боја, рефлексија итд.). Ове информације се могу користити за постављање нових запажања у ове класе. Многи од ових метода класификације учити за разликовање класа на основу скупа података за обуку где су дефинисани чланство у разреду и атрибути посматрања. Многе методе класификације су по природи вероватноће, што значи да процењују вероватноћу припадности одређеној групи.

Груписање покушаја стварања категорија на основу сличности атрибута посматрања више сличних запажања ставља се заједно у исту групу. Понекад ће методе груписања покушати да одреде број група, а понекад ће аналитичар или истраживач морати да пружи ове информације. Просторно груписање испитује дистрибуцију просторних обележја, а непросторно груписање ослања се на карактеристике посматрања за њихово груписање. Просторно и непросторно се могу комбиновати на различите начине.

Као што се може видети у Табели 1, приступи класификације и груписања додирују многа различита подручја ГИС -а и ампТ -а. Будући да тема има тако велики опсег, овај одељак ће се фокусирати на униваријантну картографску класификацију. Ово ће пружити општи преглед начина на који се подаци сврставају у различите категорије које се могу екстраполирати на сложеније апликације. Пре него што пређемо на те примере, треба размотрити основни концепт сличности.

Надгледана класификација: Логистичка регресија, Векторске машине за подршку или Класификатор случајних шума

Класификација без надзора: К-значи груписање

Учење под надзором: Логистичка регресија, Векторске машине за подршку или Класификатор случајних шума.

Учење без надзора: К-средства, хијерархијско груписање или засновано на густини (нпр. ДБСЦАН)

2.1 Примене груписања и класификације

Можда је примамљиво визуелно идентификовати кластере, али то може довести у заблуду. Размотримо слику 1 која приказује исте податке о тачкама у различитим размерама. Са сликом 1А (лево), расподела тачака се може сматрати груписаном, али када се скала промени на слици 1Б (десно), расподела се може сматрати распршеном или чак насумичном. Начин на који се дефинише граница истраживаног подручја може утицати на то како су дефинисане просторне групе, а то се назива ивични ефекат. Методе описане у Табели 1 користе статистичке процедуре за мерење степена груписања у много различитих врста података. Тиме се избегава проблем ослањања на визуелно тумачење.

Слике 1а и 1б. Чини се да је иста расподела тачака посматраних на различитим размерама (А) груписана, а (Б) да је распршена. Извор: аутор.

Нека се просторна груписања ослањају на к и и координате тачака да би се утврдило да ли је груписање присутно или где се кластери налазе. подаци могу да користе координате к и и тачака и растојање између њих за идентификацију група. Сложеније откривање кластера захтева разумевање просторних односа између обележја или појава, обично са полигонима. Обично се овај однос описује помоћу графикона суседства или матрице који ће методи груписања рећи која су својства суседи или не. Ови односи и удаљености могу се упоредити са теоријском случајном расподелом да би се одредио степен груписања (нпр. Поиссонова расподела), или са другом врстом метрике (оцена Силуете).

Просторно груписање може укључивати непросторне атрибуте или променљиве. Non-spatial clustering will rely entirely on attributes of the observed data, but use ideas already familiar to GIS users such as Euclidean distances (see below). Clustering is seen in many real-world phenomena. The concept of Agglomeration in geography is the idea that similar businesses will be located near one another in order to share resources or customers (e.g. car dealerships). Another example, Similar types of crimes tend to be located near each other. Epidemiologists may be interested in where there are groups of infected individuals that are near each other in space and time that are not normal. These clusters may point to a source of exposure, or some unknown reason for their illness.

Similarly, classification methods might be used to predict if someone has a particular disease. Different diseases are treated as separate classes, and many variables (e.g. height, weight, age, career, etc…) are used to predict which class a person would be in. Classification is used in GIS and Cartography to develop thematic maps the group similar types of data together and color coded (explored in more depth below). Finally, both classification and clustering are used in remote sensing applications to group similar raster cells into homogeneous areas as in land cover analysis, creating categories like Deciduous Forests, Water, or Barren Land.

2.2 Similarity and Distance

The overarching goal of classification and clustering is to place observations into groups that share similar characteristics while maximizing the separation of the groups that are dissimilar to each other. This naturally leads to the question: how are two observations similar (or dissimilar)? One approach is to use a distance metric that can be interpreted as a measure of similarity between pairs of observations. The shorter the distance the more similar the two will be. There are many ways to calculate the distance, but one often used in GIS&T is Euclidean distance. Given the location of two different observations or points each with a coordinate pair Икси,ии , the distance can be calculated as in equation 1.

If we expand the view of what a location is, it can incorporate not just a physical geographic location, but any a place in any numeric variable. In this view, Euclidean distance is calculated between any number of variables. Another common distance metric is Manhattan distance, shown in equation 2, and there are many others.

There are other common approaches that may or may not use distance as a measure of similarity or proximity. A comparison of some of the major spatial clustering and classification algorithms is presented in Table 2.

Table 2. Common Clustering and Classification Techniques and Their Approaches
Example Algorithm or Method Употреба Приступ
Quadrat Analysis Measurement of spatial clustering of points Segments the study area into a grid, then counts the number of points in each cell
K-Function Presence of spatial clustering of points Multiple lags or distances are used from each point (imagine ripples in a pond from a handful of pebbles thrown in at once), and points are counted within eac ring. This is compared to a simulation of random points within the same area (Monte Carlo simulation).
Moran's I Combines spatial information with an attribute Similar to more traditional statistical methods and hypothesis testing.
K-Means Spatial or non-spatial clustering Relies on a measure of similarity to detect which data belong to which cluster. Explored in more depth below in this entry.
ДБСЦАН Non-spatial clustering (but could use if for spatial) Similar to a k-function, it looks for points within a distance. It also tries to find “noise” or random points that do not fall within clusters. It requires setting parameters like the minimum number of points to be considered for a cluster. These parameters can be difficult to set, and will change the outcome.
Random Forest Класификација A popular artificial intelligence classification technique. Uses decision trees to identify the most important variables that sort data into different classes.

Cartographic classification methods present a simplified way to examine some classification and clustering methods. Within cartography, classification is a process of simplifying or aggregating information into groups to be displayed on a map. Table 3 presents some of the most common approaches used in cartography. To distinguish these classes, every member of a group is assigned the same map symbol to their geographic information. As an example, for this type of mapping, univariate values are taken from a polygonal geographic unit like the United States (U.S.) Census Tract, and a color is assigned to each category (choropleth mapping). The cartographer selects the number of categories for the map. Then, the classification method selected will determine the boundaries of the classes (Figure 2). The boundaries define the lower/starting and upper/ending values for each group, sometimes these values are called ‘breaks’ (Brewer & Pickle, 2002). For additional information, see Statistical Mapping (Enumeration, Normalization, Classification).

Table 3. Common Classification Methods Used in Cartography and Choropleth Mapping
Type of Classification Опис
Unique values Each value is its own class or group, and each group is assigned a color. Typically reserved for categorical data (e.g. nominal level data).
Manual Classification The cartographer designates the bounds of each class as mutually exclusive groups.
Equal Interval Uses the range from the variable and divides this by the number of classes, creating an interval.
Defined Interval With this method the interval is selected first, and the number of classes derived from how many intervals are needed to cover the range.
Quantile or Percentile Uses the percentage of values that fall in particular ranges, based on the number of classes selected. The same number of observations will exist in each category.
Natural Breaks / Jenks An algorithmic approach to identify “natural” break points in the data (Jenks & Caspall, 1971). It is similar to the K-means clustering approach.
Стандардна девијација A statistical approach using the mean of the data, and the standard deviation. Often used to show extreme values or deviations from the mean (a diverging pattern in the symbology).
Equal Area This approach uses the area of the polygons to determine the class breaks so that each group contains an equal proportion of the overall area (Brewer & Pickle, 2002 Lloyd & Steinke, 1977). An alternative to normalizing the variable by the polygon’s area.
Head/tail Breaks Relatively new technique that is designed for variables with a skewed distribution (heavy tailed) (Jiang, 2013).

Figures 2A - 2D. Data classification methods for grouping data using (A) manual classification, (B) equal interval classification, (C) defined interval, and applied to median age data (D). Извор: аутор.

The most basic case is the unique value approach where each value is assigned a unique symbol, creating a class or category for each value. While it is possible to do this for numeric data, it is usually reserved for categorical (nominal level) data, otherwise there could be many different unique classes. Manual classification allows the cartographer to define the upper and lower limits of the boundaries, or the break points. Figure 2A presents two “breaks” at 50 and 60, creating three classes. Because these upper and lower limits are mutually exclusive, the first class runs from 18 to 50, the second class runs from 51 (or possibly 50.000001) to 60, and the third group runs from 61 (or possibly 60.0000001) to 86. Each group is assigned a color value, and in the case of sequential data, the colors progress from light to dark.

Equal Interval and Defined Interval present a simple classification scenario based on the characteristics of the data. Equal Interval sets the number of classes and the data range is divided by this number (e.g. (86-18)/5=17), creating an interval of 17. The values are placed in these known classes, as shown in Figure 2B. In the Defined Interval approach the cartographer selects the interval then the software determines the number of classes that will fit. In Figure 2C, the interval is 34 creating two classes.

Other approaches rely on the distribution of the variable. Frequency distributions are visualized as a histogram. Histograms divided the data into bins of equal widths (e.g. between 40 and 45), and count the number of values that fall inside each bin. This count is reflected in the bar height. Figure 3 shows a histogram for the median age variable. Percentiles are the percentage of the data that falls below the corresponding value. To define class breaks using percentile the number of classes is selected, then the range 0 to 100% is divided by this number. In Figure 3A, 3 classes result in percentiles at 25%, 50%, and 75%. These correspond to values of 33, 38, and 44 respectively. This means that 25% of the observations fall to the left of 33 on the histogram, 50% fall to the left of 38, and 75% fall to the left of 44. Keep in mind the height of the bar indicates the actual total number of observations. At 86, 100% of the observations fall to the left of the histogram. Figures 2B presents percentiles for 5 classes, but the idea remains the same.

Figures 3a - 3c. Frequency distribution of median age data and the breaks associated with (A) 3 class percentiles, (B) 5 class percentiles, and (C) 5 class Jenks’ Natural Breaks method. Извор: аутор.

Finally, Jenks’ method is an iterative algorithmic approach that identifies ‘natural’ break points in the data (Jenks & Caspall, 1971). This method is closer to the idea of identifying clusters (groups) in the data, resulting in uneven intervals. The result of Jenks’ method applied to the median age variable are shown in Figure 3C. The algorithm is complex, but a there is a similar approach called K-means clustering that can be demonstrated. K-means is also widely used in other areas. The k refers to the number of classes. There are approaches to help choose k, but these are not widely available in GIS packages (silhouette scores, or elbow plots).

Beginning with a smaller dataset, Figure 4 shows 20 observations along a number line. K-means clustering begins by selecting k, and three is used in this example. The algorithm begins the first iteration by generating three random values that fall within the variable’s range. In Figure 5, there are three random values generated (a light blue, yellow, and dark grey point). These will serve as the center of each of the groups for a first iteration. Next, the algorithm calculates the distance from the original observation to each of the cluster centers. Figure 6 presents this distance as an arrow from the first observation on the left to each of the centers.

Figure 4. Twenty observations along a number line to demonstrate K-means algorithm. Извор: аутор.

Figure 5. Twenty observations with three randomly generated cluster centers along the number line. This demonstrates the first step in the K-means algorithm. Извор: аутор.

Figure 6. Calculation of the distance from the first observation on the left of the number line to each random cluster center. Извор: аутор.

Next, the algorithm assigns each observation to the nearest cluster center based on the distance (Figure 7A). These create the first set of clusters, and the algorithm calculates the mean within each cluster (the vertical lines in Figure 7B represent the mean of each cluster). Now, the mean becomes the center of each cluster, and the distance is recalculated from each observation to these new centers. Again, observations are moved to different groups based on the distance. The mean for each of the clusters is calculated again, and the distance again, and so on. This process repeats until there are no changes to which cluster an observation belongs to. The algorithm begins a new iteration, creating random values for each cluster center. After many iterations, it will return the ‘best’ fitting clusters. It may turn out the first iteration was the best, but it will repeat the process as many times as the analyst will specify.

Figure 7a - 7b. During the K-means algorithm observations are assigned to their closest cluster center, (A) the leftmost observation is assigned to the closest cluster center (A), and (B) all observations are assigned to their closest cluster center and the mean of each group is calculated. Извор: аутор.

At each iteration, the algorithm calculates a measure to determine how well those clusters fit the data. To do this, the algorithm uses the variance of each cluster and the total variance. The variance measures the distance of each group member to the mean of the cluster. The variance is a measure of the spread of the data. Figure 8 shows this spread as arrows, and each group has a different width. The total variance is the sum of the group variances, and the iteration that had the smallest total variance is returned as the best option. The result is class bounds that can have different interval widths, and unusual beginning and end points.

Figure 8. The K-means algorithm uses the variance of the different clusters (as demonstrated by the arrows) to determine the performance of these groupings. Извор: аутор.

Which method should you use? Which method chosen and how many classes selected will have consequences on the map’s final appearance and potentially the way the data are interpreted. This can be considered from both ethical and practical considerations (Harley, 1991 Monmonier, 1991). For comparison, Figure 9 presents the median age data for Hillsborough County, Florida using U.S. Census Tracts. Each tract is placed in a class depending on the median age for that tract. The class bounds change depending on the method, and the results can create very different interpretations of the underlying data. For example, Figure 9B shows class breaks using the Equal Interval method for 5 classes. This map creates the impression that most of the county falls in the 27 to 41 median age group. Whereas, the Natural Breaks method (Figure 9A) has varying class intervals (40 to 47 is small, compared to 62 to 86), and results in a more diverse county.

It can be difficult to choose which method to apply. Slocum et al. (2009, p. 68) provide some guidelines for mapping. Sometimes the shape of the frequency distribution (e.g. a normal distribution is appropriate for the percentile), or other characteristics of the data, might help. Monmonier (1991) suggests presenting the reader with a “dynamic sequence” of maps that show the extreme views of the data (Monmonier, 1991, p. 4).

Regardless of the method, one should take care to balance the interpretability of the classes, while letting the data speak for itself. In the case of the median age variable, using manually selected classes that reflect life stages (e.g. voting age in the United States is 18, or retirement age is 66) is logical and easily understood by the map reader. This implies some artistic license that is not always available or appropriate in other areas of classification and clustering.

Figure 9A-9D. Comparison of cartographic classification methods using (A) Jenks’ Natural Breaks, (B) Equal Interval, (C) Manual, and (D) Percentile / Quantile. Извор: аутор.

Many classification and clustering methods are applied to multivariate data. The K-means approach can be expanded to include many attributes, and the algorithm remains the same. It still seeks the center of each cluster. Figure 10 shows clusters of observations from three variables in three-dimensions. The cluster that is shaded blue with a triangle shape overlaps with the green dot cluster along the first variable, but has very different results for the third variable (z-axis). It is the combination of characteristics that can create mutually exclusive clusters when dealing with multivariate data.

Figure 10. Multivariate clustering and classification attempts to separate groups based on more than one variable.​​​​​​ Source: author.

Alexiou, A., & Singleton, A. D. (2015). Geodemographic Analysis. In C. Brundson & A. D. Singleton (Eds.), Geocomputation. A Practical Primer (pp. 137–151). London: Sage.

Bailey, T. C., & Gatrell, A. C. (1995). Interactive spatial data analysis: Longman Scientific & Technical Essex.

Brewer, C. A., & Pickle, L. (2002). Evaluation of Methods for Classifying Epidemiological Data on Choropleth Maps in Series. Annals of the Association of American Geographers, 92(4), 662–681.

Harley, J. B. (1991). Can there be a cartographic ethics? Cartographic Perspectives. (10), 9–16.

Jenks, G. F., & Caspall, F. C. (1971). Error on Choroplethic Maps: Definition, Measurement, Reduction. Annals of the Association of American Geographers, 61(2), 217–244.

Jiang, B. (2013). Head/Tail Breaks: A New Classification Scheme for Data with a Heavy-Tailed Distribution. The Professional Geographer, 65(3), 482–494.

Lloyd, R., & Steinke, T. (1977). Visual and Statistical Comparison of Chropleth Maps. Annals of the Association of American Geographers, 67(3), 429–436.

Lu, D., & Weng, Q. (2007). A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing, 28(5), 823–870.

Miller, H., & Han, J. (2009). Geographic Data Mining and Knowledge Discovery (Second): CRC Press.

Monmonier, M. (1991). Ethics and Map Design: Six Strategies for Confronting the Traditional One-Map Solution. Cartographic Perspectives. (10), 3–8.

O'Sullivan, D., & Unwin, D. (2010). Geographic information analysis (Second). Хобокен, Нев Јерсеи: Јохн Вилеи & амп Сонс.

Slocum, T. A., McMaster, R. M., Kessler, F. C., Howard, H. H., & McMaster, R. B. (2009). Thematic cartography and geographic visualization (3rd). Upper Saddle River, New Jersey: Prentice hall.

Smith, M. J. de, Goodchild, M. F., & Longley, P. (2007). Geospatial analysis: a comprehensive guide to principles, techniques and software tools: Troubador Publishing Ltd.


Geographical Information Systems

GIS is a computer system capable of capturing, storing, analyzing and displaying geographically referenced information that is data identified according to its location.

GIS at the City of Burnaby

The GIS Department at the City of Burnaby builds and maintains a central GIS data repository that integrates municipal information, publishes interactive web maps, provide mapping and analysis services and other GIS support for multiple departments within the City. GIS promotes collaboration, communication and analysis to assist with day-to-day decision making at the City of Burnaby.

Key Responsibilities Include:

  • Maintaining the City’s legal parcel, underground utilities network, addresses, zoning, heritage landmarks, traffic infrastructure, parks, waterways and other spatial information
  • Develop and maintain BurnabyMap, the City’s public and internal online mapping application
  • Develop and maintain Burnaby's Open Data Portal for public online access to the City's information sources
  • Provide GIS data and services to City Departments
  • Maintain, synchronize and integrate the City’s Asset Management System with the central GIS data repository
  • Perform spatial analysis and 3D modelling
  • Develop custom desktop GIS tools and applications

Figure 1: GIS at the City of Burnaby

This figure outlines some of the components and workflow that constitutes the City’s GIS: data tables, feature layers, computer hardware, software and GIS staff.

Geographic and attribute data are entered, collected and maintained by GIS staff.
Data is organized by themes and are visualized as different layers (eg. streets, parcels, water mains, etc).
Select layers and attribute data are made available to the public through BurnabyMap.

Burnaby's Online Mapping Application

BurnabyMap is the City’s online mapping application that provides access to the City of Burnaby’s geographic and attribute data using an internet browser.

There are over thirty map layers (themes) of data that can be turned on and off with a click of a button. These layers include:

  • Property and address information
  • Parks and recreation facilities
  • Јавне школе
  • Народне библиотеке
  • Other public places including fire halls, shopping complexes and policing service
  • Road maps
  • Engineering data such as sewer and water mains
  • High resolution aerial photographs
  • Property Assessment Data

Open Data Portal

The City of Burnaby maintains a wide range of data. As part of our commitment to engagement, transparency and accountability, we want to share our data with you. Please explore our Open Data Portal and use Burnaby’s data to analyze information, build apps, combine open datasets using maps, develop new web and mobile applications, and to meet your specific data needs. For data not available via the Open Data Portal, please call 604-294-7460 for more information.


Транскрипт презентације

Creating Map Symbology Module 2 ESRI Virtual Campus Learning ArcGIS Desktop Training Course ESRI ArcGIS

Creating Map Symbology • Have you ever noticed that some maps are easier to understand than others? • Difference can be due to mapmaker's choice and arrangement of symbols and text. • A map is most effective when symbols are easy to distinguish and their meaning is intuitive. • Your choice of symbols and labels will be influenced by the type of map you are making.

Creating Map Symbology • Maps can be divided into two main categories: • Reference maps • Also called general maps • Show the location of features • Useful for multiple purposes • Examples - atlas maps and topographic maps • Thematic maps • Show the structure and distribution of one or more phenomena • Examples -maps of world population, today's weather, and rice production in the Philippines

Циљеви учења • Choose symbols for point, line, and polygon features. • Modify symbol properties such as color, size, and outline. • Label map features using an attribute and by adding text. • Symbolize features to show type, rank, or amount. • Group features into classes and apply symbols to each class. • Compare different methods of grouping features into classes. • Correct visual distortion caused by differences in area. • Show proportional amounts on a map by normalizing data. • Symbolize features to show density.

Working with Map Symbols and Labels • When a layer is added to a map a default symbol is used to represent the layer's features. • It may not be the one you want, so you need to know how to change it • Effective symbols take advantage of common associations that people make, • such as blue for water and green for vegetation. • People also make associations based on symbol size • street drawn with a thick line is easily understood to be busier or more important than one drawn with a thinner line • Text may be used to provide a feature's name or other attribute, or to draw attention to a feature or an area of interest.

Working with Map Symbols and Labels • On a map, symbols are used to show feature locations. • Using pictoral symbols can provide more information • i.e. a car symbol indicates a parking lot. • Adding text such as a feature's name or function provides even more information.

Types of Symbols • Symbol properties can be changed to suit a particular map. • i.e. can change the size or angle of a marker symbol used to represent a point feature • Can change the width of a polygon symbol's outline

Types of Symbols • When a map document is saved • Layer symbology is saved with it. • Layer file • To easily reuse a layer's symbology in other map documents • A good way to ensure that everyone in an organization uses the same symbology • Can be especially important if organization or industry employs standard symbols • Can also save time --- don't have to create the symbology over again each time a particular layer is used

Choosing Symbols • ArcGIS has thousands of symbols for common map features • Organized into more than 25 symbol sets • Can also import additional symbol sets or create your own • General-purpose symbol sets • Like the ESRI symbol set • Specialized symbol sets • Reflect the needs or standards of different industries

Choosing Symbols • A few of the point (marker) symbols that come with ArcMap. • From ESRI, Crime Analysis, Utilities, and Forestry symbol sets • Clockwise from upper left

Labeling Map Features • Text on a map can serve many purposes • One of most important functions of map text is to describe, or label, features. • Most common labels are names • i.e. street names, place names, and names of landforms or water bodies • In ArcMap, label text comes from a field in a layer's attribute table.

Labeling Map Features • The source of the labels in this map is the CNTRYNAME field in the Countries attribute table.

Labeling Map Features • Labels can be added in two ways • Dynamically • Generated on the fly for all the features in a layer at once • Can specify label properties such as • font, size • Color • position in relation to the feature being labeled (such as top left, bottom center, top right • Interactively • Created by clicking individual features in the map • May use same label properties specified for the layer, or can set different ones

Labeling Map Features • What if you want to label something that isn't actually represented in a layer? • i.e. a layer of mountain peaks and you want to label the whole mountain range. • You can do this by manually adding the desired text to the map.

Labeling Map Features • Annotation • Text added manually • Each piece of annotation has its own properties that are stored either in a map document or in a database • Always stays at the position where you place it, but you can reposition it as desired • Dynamic label • Location is determined by ArcMap and is based on the current map extent and the number of features being displayed in that extent. • As the map is zoomed in and out, the position will change as ArcMap determines the best placement for them. • May move, appear, or disappear as the available space on the map changes. • An easy way to label many features at once. • Can convert dynamic to annotation if you need to edit the appearance or placement of individual labels.

Вежбајте • Display and label map features

Symbolizing Features Based on Attributes • Features can also be symbolized based on an attribute • Thematic map • Features have been symbolized based on an attribute • Often communicate more information. • i.e. vegetation polygons symbolized by a type attribute to indicate different areas such as forest, grassland, or marsh. • Individual tree locations could be symbolized by a diameter attribute to show the distribution of trees by size.

Symbolizing Features Based on Attributes • Pine trees have been symbolized based on their diameter • Vegetation polygons have been symbolized based on their type. • Now you can see that the largest trees occur in just one cluster. • You can also see that pine trees are not found in marsh areas.

Symbolizing Features Based on Attributes • Type of symbology used to create a thematic map depends on whether an attribute's values are • categories (e.g., type) or • quantities (e.g., diameter)

Drawing Features to Show Categories • Category attributes are • Names • Types • Ranks • Each unique attribute value represents a different category. • The values can be • Text • Numbers

Drawing Features to Show Categories • When a layer is symbolized based on a category attribute • Features in different categories are represented with a different symbol. • Exactly how the symbols differ from one another depends on is being mapped • i.e. if symbolizing roads according to the number of lanes • use line symbols with different widths to represent the different lane categories • If mapping roads according to surface type • show paved roads with a solid line and gravel roads with a dashed line

Drawing Features to Show Categories • Two ways to symbolize a hurricane path by categories • Left • different colors are used to symbolize the paths by name • Right • different line widths are used to symbolize the paths by hurricane strength

Drawing Features to Show Quantities • Quantity attributes are always numeric. • Numbers represent • Counts • Amounts • Rates • Measures

Drawing Features to Show Quantities • Feature quantities typically represented by • Creating groups of features with similar values (classes) • And assigning a different symbol to each class. • Even though symbols are different • usually change gradually from one class to another • forming a series. • Graduated size and graduated color are two most common ways to symbolize quantities

Drawing Features to Show Quantities • Drawing features using symbols in a graduated series permits map readers to visualize geographic distribution patterns in quantity data. • i.e. if a map is drawn with colors ranging from yellow to orange to red • red areas can quickly be interpreted to represent greater values than yellow ones • Likewise, smaller symbols represent smaller quantities than larger symbols.

Drawing Features to Show Quantities • The countries in this map are displayed with graduated shades of green. • The darker the shade, the greater the country's population.

Drawing Features to Show Quantities • When choosing graduated colors, it is important to be aware of common color associations that people make. • People will easily understand a temperature map drawn with • blue symbols for cold • orange symbols for warm • The opposite way would be frequently confused.

Вежбајте • Display features with categories and features

Classifying Data • What process is used to create the classes? • What determines whether a particular attribute value falls into one class or another? • When symbolizing features based on quantities - three things must be decided: • How many classes to have • What method to use for placing the values into classes • What kind of symbology to use • e.g., graduated colors or graduated symbols

Classifying Data • This graduated color map was created by classifying population values into four classes.

Grouping Attribute Values Into Classes • In ArcMap, can classify features using one of several standard classification methods • Can also define own classes.

Grouping Attribute Values Into Classes • Classification methods include: • Natural breaks • Identifies groupings of values that are inherent in your data. • Is the default method because it is appropriate for most data. • Equal interval • This method is like a ruler: the interval between each class is the same. • i.e. you might have classes with intervals of 10 percent (1-10%, 11-20%, 21-30%, etc.)

Grouping Attribute Values Into Classes • Quantile • each class contains an equal number of values (features) • i.e. you might have 15 provinces grouped into three classes • Each class would contain five provinces regardless of the attribute values. • Manual • each class has the range you specify • This method is useful when you want the classes to reflect specific criteria or data. • i.e. if you have temperature data, you might want to specify a break between classes at 32 degrees Fahrenheit (freezing point).

Grouping Attribute Values Into Classes • Natural Breaks • uses a statistical formula to find breaks that are inherent in the data. • In this example, there is a clear natural break between 19 and 29 (a difference of 10), but not between 29 and 30 (a difference of 1)

Grouping Attribute Values Into Classes • Equal Interval • Evenly divides the entire value range into the number of classes you choose.

Grouping Attribute Values Into Classes • Quantile • Places an equal number of values into each class.

Grouping Attribute Values Into Classes • Manual • Uses class breaks that you define.

Deciding Which Classification Scheme to Use • When mapping quantities, you may ask yourself: • Which classification method should I choose? • How many classes should I have? • There are no "correct" answers. • The best classification scheme for a given map layer depends on • Purpose of the map • Characteristics of the data • Cartographic considerations • such as how easily the resulting map can be understood

Deciding Which Classification Scheme to Use • One approach let the data inform your decision. • When looking for patterns in data • try different classification methods and visually analyze the resulting maps • then select the method that seems best. • To evaluate classification schemes before mapping them • use a histogram

Deciding Which Classification Scheme to Use • The classification histogram charts the number of attributes (features) for each attribute value. • Bottom axis shows attribute values • Side axis shows frequency of values • Height of gray bar indicates number of times a given value occurs in the table (frequency) • When deciding on the number of classes, there is one rule of thumb you can use: • Fewer is generally better • Three to seven classes is usually best.

Deciding Which Classification Scheme to Use • A classification histogram helps visualize how attribute values are distributed across the overall range of values • Blue lines show current class breaks • Highest attribute value in each class • Data in this histogram is grouped into three classes.

Deciding Which Classification Scheme to Use • Another approach • choose a classification scheme first • And let the attribute values fall where they may. • There may be a scientific or statistical reason for using a particular classification method with particular data. • Or, you might have predetermined standards or criteria that dictate the method or number of classes.

Deciding Which Classification Scheme to Use • General guidelines for choosing an appropriate classification scheme.

Вежбајте • Explore methods of classifying data

Mapping Density and Proportion • Sometimes mapping an attribute with graduated colors or symbols can be misleading. • i.e. when polygon features vary greatly in area. • Patterns may be perceived in a graduated color map and assumed to represent variation in the attribute being mapped, when in fact they reflect the variation in the area of the features. • You can avoid such misperceptions by mapping density—the quantity per unit of area.

Mapping Density and Proportion • Example • Each polygon represents a pasture in a goat farm. The small pastures are each 1 hectare and the large one is 4 hectares in area. This map shows the goat pastures This map seems to show that goats are concentrated in the north half of the farm. There are actually more goats in the south half of the farm. Mapping density results in a map that is likely to be perceived correctly.

Mapping Density and Proportion • Another situation is when mapping the proportion of one quantity to another is more important than mapping them individually. • In the goat farm example, the proportion of female to male goats in each pasture might be more important than the total number of goats.

Mapping Density Using Attribute Values • One way to map density is data normalization • Divide the attribute values by the area of each polygon feature • ArcMap calculates the density values • Choose a value field and an area field • You still must choose a classification method for grouping the density values and symbolizing them with graduated colors or graduated symbols