نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

اطلاعات جغرافیایی از انواع مختلف، از نقشه های توپوگرافی گرفته تا داده های علمی، به طور فزاینده ای از طریق خدمات نقشه برداری وب در دسترس قرار می گیرد. اینها به تصاویر نقشه جغرافیایی ارجاع داده شده اجازه می دهند از فروشگاه های داده ارائه شوند و در وب سایت ها و سیستم های اطلاعات جغرافیایی نمایش داده شوند، جایی که می توانند با سایر اطلاعات جغرافیایی ادغام شوند. استاندارد خدمات نقشه وب (WMS) کنسرسیوم فضایی باز به طور گسترده در جوامع مختلف برای به اشتراک گذاری داده ها به این روش پذیرفته شده است. با این حال، سرویس‌های فعلی معمولاً اطلاعات کمی در مورد کیفیت یا دقت داده‌هایی که ارائه می‌کنند ارائه می‌کنند. در این مقاله ما طراحی و اجرای یک نمایه جدید “با کیفیت فعال” WMS را شرح خواهیم داد که آن را “WMS-Q” می نامیم. این توضیح می دهد که چگونه اطلاعات مربوط به کیفیت داده ها می تواند از طریق WMS به کاربر منتقل شود. چنین اطلاعاتی می‌تواند در سطوح مختلف، از کل مجموعه داده‌ها تا اندازه‌گیری‌های فردی، وجود داشته باشد و شامل راه‌های مختلفی است که عدم قطعیت داده‌ها را می‌توان بیان کرد. ما همچنین الحاقات پیشنهادی را برای مشخصات رمزگذاری نمادشناسی توصیف می‌کنیم که شامل تجسم عدم قطعیت در داده‌های شطرنجی به روش‌های مختلف، از جمله خطوط، سایه‌زنی و نقشه‌های رنگی دو متغیره است. ما همچنین پیاده‌سازی‌های منبع باز جدید مشخصات جدید را شرح خواهیم داد که شامل کلاینت‌ها و سرورها می‌شود. که شامل تجسم عدم قطعیت در داده‌های شطرنجی به روش‌های مختلف از جمله خطوط، سایه‌زنی و نقشه‌های رنگی دو متغیره است. ما همچنین پیاده‌سازی‌های منبع باز جدید مشخصات جدید را شرح خواهیم داد که شامل کلاینت‌ها و سرورها می‌شود. که شامل تجسم عدم قطعیت در داده‌های شطرنجی به روش‌های مختلف از جمله خطوط، سایه‌زنی و نقشه‌های رنگی دو متغیره است. ما همچنین پیاده‌سازی‌های منبع باز جدید مشخصات جدید را شرح خواهیم داد که شامل کلاینت‌ها و سرورها می‌شود.
کلید واژه ها: 

GIS _ کیفیت داده ها ؛ عدم قطعیت ؛ WMS ; OGC ; الهام بخش ; GEOSS ; SDI

 

1. معرفی

استاندارد خدمات نقشه وب (WMS، [ 1 ])، منتشر شده توسط کنسرسیوم فضایی باز و استاندارد شده توسط ISO به عنوان ISO19128:2005 [ 2 ]، یکی از موفق ترین استانداردهایی بوده است که قابلیت همکاری اطلاعات جغرافیایی را ممکن می سازد. این به مشتریان اجازه می‌دهد تا تصاویر نقشه جغرافیایی ارجاع‌شده را که نشان‌دهنده طیف گسترده‌ای از منابع داده، همراه با ابرداده‌های همراه است، درخواست کنند. این استاندارد در طیف گسترده‌ای از نرم‌افزارهای منبع باز و تجاری، از جمله GeoServer، MapServer، ArcGIS Server، Cadcorp SIS و ncWMS [3 ] پیاده‌سازی شده است ( به http://www.opengeospatial.org/resource/products/compliant مراجعه کنید. لیست نرم افزارهای سازگار تایید شده). یک نمای کلی از استاندارد را می توان در بخش 5.1 یافتزیر WMS به عنوان استاندارد تجسم در بسیاری از زیرساخت‌های داده‌های مکانی مانند INSPIRE [ 4 ] و سیستم جهانی مشاهده زمین از سیستم‌ها (GEOSS) [ 5 ] استفاده می‌شود.
یک نگرانی رایج در مورد زیرساخت‌های داده مکانی (SDI) به طور کلی، این است که اغلب اطلاعاتی در مورد کیفیت داده‌های اساسی به کاربر ارائه نمی‌شود. این امر به ویژه در زمینه داده های علمی، که در آن کاربر اغلب مایل است در مورد عدم قطعیت داده ها بداند، بسیار مهم است. اگرچه تعدادی از روش‌ها برای تجسم داده‌های نامطمئن استفاده می‌شوند (مانند روش‌هایی که توسط پروژه INTAMAP برای تجسم عدم قطعیت نقشه‌های درون‌یابی شده [ 6 ] پیشنهاد شده است، برخی از مثال‌ها برای نگاشت عدم قطعیت داده‌های مجموعه آب‌وهوا [ 7 ، 8 ] و چندین مورد دیگر شرح داده شده در [ 9]) اینها عمدتاً توسط پیاده‌سازی‌های WMS پشتیبانی نمی‌شوند، یا به صورت استاندارد و سازگار پشتیبانی نمی‌شوند. علاوه بر این، استانداردهای نمادشناسی مربوطه (به عنوان مثال، رمزگذاری نمادشناسی (SE)، [ 10 ]) انعطاف‌پذیری لازم را برای تطبیق این انواع تجسم پیچیده‌تر، به ویژه برای داده‌های شطرنجی، فراهم نمی‌کنند. برخی از راه حل ها برای استفاده از WMS و SE در تجسم عدم قطعیت برای داده های برداری در [ 11 ] آورده شده است ، که بر موارد استفاده در برنامه ریزی فضایی تمرکز دارد.
در این مقاله ما یک نمایه جدید از WMS برای کیفیت داده ها (WMS-Q) را توصیف می کنیم که مکانیسم های مختلفی را برای استفاده از WMS برای برقراری ارتباط با کیفیت داده در تعدادی از سطوح، از سطح مجموعه داده تا سطح نمونه های منفرد (پیکسل) ارائه می دهد. ). WMS-Q کاملاً با نسخه فعلی استاندارد WMS (1.3.0) سازگار است و تعدادی از انواع داده های اساسی (از جمله داده های پیوسته و طبقه بندی شده) را در نظر می گیرد. بخش 2 مفهوم “کیفیت داده” را معرفی می کند، بخش 3 اصطلاحاتی را که در این مقاله استفاده خواهیم کرد، توضیح می دهد، بخش 4 ابزارهای فعلی نمایش کیفیت داده ها را بررسی می کند، بخش 5 طراحی WMS-Q، بخش 6 را شرح می دهد.به طور خلاصه برخی از پیاده‌سازی‌های فعلی نمایه را توضیح می‌دهد، بخش 7 نحوه ادغام WMS-Q در یک SDI “آگاه از کیفیت” را توضیح می‌دهد و در نهایت بخش 8 حوزه‌های کار آینده را مشخص می‌کند.

2. “کیفیت داده” چیست؟

کیفیت داده مفهومی است که تعریف دقیق آن دشوار است. برای جوامع مختلف معانی مختلفی دارد و گاهی اوقات با حجم اطلاعات اشتباه گرفته می شود. استاندارد ISO 8402:1994 [ 12 ] به عنوان «کل ویژگی های یک محصول که بر توانایی آن در برآوردن نیازهای اعلام شده یا ضمنی تأثیر دارد» تعریف شده است. در حوزه جغرافیایی، معیارهای بسیاری از جمله دقت مکانی، دقت زمانی، سازگاری، کامل بودن، دامنه و دقت ویژگی را شامل می شود. اجماع کلی وجود دارد که کیفیت یک مفهوم ذهنی است و هر کاربر یک مجموعه داده را زمانی با کیفیت خوب تعریف می کند که انتظارات او را برآورده کند، یعنی مطابق با هدف او باشد.. متأسفانه، تولیدکنندگان داده نمی توانند انتظارات همه کاربران آینده را پیش بینی کنند. بنابراین، در عمل سعی می‌کنند برخی از جنبه‌ها را با مقایسه مجموعه داده با سایر منابع مرجع که صحیح بودن آنها پذیرفته شده است، کمی کنند و یک کمیت عددی از اختلافات از نظر معیارهای عدم قطعیت و آمار خطا ارائه کنند. از طرف دیگر، آنها یک مشخصات برای محصول خود ایجاد می کنند و برای هر مجموعه داده، تأییدی از انطباق مشخصات محصول ارائه می کنند [ 13 ]. هنگامی که این رویکردها برای داده ها اعمال می شود، یک شاخص کیفیت [ 14 ] تولید می شود و به ابرداده متصل می شود.
کیفیت داده را می توان برای اجزای مختلف داده اعمال کرد: مکانی (به عنوان مثال، دقت موقعیتی)، زمانی (دقت زمانی)، موضوعی (به عنوان مثال، کامل بودن، دقت موضوعی، صحت طبقه بندی، و غیره) [ 14 ، 15 ، 16 ] . برخی از جنبه های تحت پوشش این مقاله برای همه موارد فوق اعمال می شود، اما تمرکز بر دقت موضوعی است.

3. اصطلاحات مورد استفاده در این مقاله

جوامع مختلف از اصطلاحات متفاوتی برای نشان دادن مفاهیم مشابه یا از یک اصطلاح برای مفاهیم مختلف استفاده می کنند. نمایه WMS-Q را می توان در بسیاری از جوامع مختلف، از جمله رصد زمین، علم آب و هوا، هواشناسی، اقیانوس شناسی، مطالعات زمینی و غیره استفاده کرد. بنابراین ما باید به دقت اصطلاحاتی را که در این مقاله استفاده می کنیم، که ممکن است با استفاده رایج در جوامع خاص متفاوت باشد، تعریف کنیم:
مجموعه داده: اصطلاح مجموعه داده در کلی ترین معنای آن به عنوان “مجموعه منطقی از داده ها” استفاده می شود. اطلاعات موجود در یک مجموعه داده ممکن است به صورت فیزیکی در یک فایل منفرد یا مجموعه ای از فایل ها ثبت شود و ممکن است نمایانگر یک عکس فوری در زمان یا اطلاعات در حال تکامل باشد. انتخاب نحوه گروه بندی داده ها در مجموعه داده ها بسیار خاص جامعه است. به طور معمول، ارائه دهندگان داده تصمیم می گیرند که چگونه اطلاعات را در واحدهای منطقی گروه بندی کنند که برای آنها و کاربرانشان منطقی باشد. فراداده های کشف [ 17 ، 18 ] معمولاً در سطح مجموعه داده تولید می شوند.
متغیر: متغیر یک کمیت اندازه گیری شده است، مانند دما، سرعت یا طبقه بندی کاربری زمین. قابل مشاهده یا محاسبه است. در این مقاله از متغیر برای نمایش مفهوم استفاده می کنیم. مقادیر و عدم قطعیت آنها در فیلدها ثبت می شود (به زیر مراجعه کنید).
نمونه: یک نمونه اندازه گیری یا مشاهده فردی از یک متغیر است. یک پیکسل در یک تصویر رصد زمین، یا یک سلول شبکه در نتایج یک شبیه‌سازی عددی، ممکن است شامل چندین نمونه باشد، یکی برای هر متغیری که در آن پیکسل یا سلول ثبت شده است.
مؤلفه: اگر مقادیر یک متغیر در یک مجموعه داده نامشخص باشد، هر نمونه از این متغیر شامل بیش از یک قطعه اطلاعات است (به عنوان مثال، مؤلفه‌ها می‌توانند محتمل‌ترین مقدار متغیر و محدوده اطمینان بالا و پایین‌تر باشند. نشان دهنده عدم قطعیت آن). هر قطعه از اطلاعات به عنوان یک جزء شناخته می شود . روش های مختلف بیان عدم قطعیت در بخش 4.3 در زیر توضیح داده شده است.
فیلد : فیلد مجموعه ای از مقادیر یک جزء است. معمولاً این در یک فایل داده به عنوان یک آرایه چند بعدی از مقادیر اسکالر (عددی) ثبت می شود.
ما این مفاهیم را از طریق دو مثال نشان می دهیم.
مثال 1: مجموعه داده دمای سطح دریا از ابتکار تغییر اقلیم آژانس فضایی اروپا (CCI-SST، [ 19 ]) اندازه گیری دو متغیر را ارائه می دهد : دمای سطح دریا و کسر سطح یخ دریا، که در یک شبکه جهانی در 1/20 درجه ثبت شده است. وضوح (~5 کیلومتر) اندازه‌گیری‌های نمونه هر دو متغیر نامشخص است و بنابراین مقادیر هر متغیر به‌صورت دو مؤلفه بیان می‌شود که یکی نشان‌دهنده مقدار میانگین و دیگری نشان‌دهنده واریانس آن است. بنابراین مجموعه داده شامل چهار فیلد اسکالر (دو فیلد برای هر متغیر) است.
مثال 2: طبقه‌بندی Landcover مجموعه داده‌های Landsat Barcelona-Girona [ 20 ] اطلاعاتی را در مورد پوشش زمین آن منطقه از کاتالونیا، که از تصاویر ماهواره‌ای مشتق شده است، ارائه می‌کند. هر نمونه ( به عنوان مثال ، پیکسل) در مجموعه داده حاوی بهترین تخمین از نوع پوشش زمین (بیان شده به عنوان یک کد طبقه بندی)، برخی از مقادیر طبقه بندی جایگزین به همراه چندین معیار اطمینان از صحت طبقه بندی است. بنابراین مجموعه داده شامل یک متغیر (نوع پوشش زمین) است که به صورت تعدادی میدان اسکالر بیان می شود : برخی طبقه بندی شده (طبقه بندی) و برخی پیوسته (معیارهای اطمینان).

4. رمزگذاری کیفیت داده ها

4.1. مجموعه استانداردهای ISO

در SDI های فعلی، اطلاعات کیفیت داده ها را می توان در اسناد فراداده ساختاریافته که مجموعه داده های مکانی را توصیف می کند، گنجانده شود [ 21 ]. برخی استانداردهای ابرداده تولید شده توسط کمیته فنی سازمان استاندارد بین المللی 211 (ISO-TC/211)، کمیته داده های جغرافیایی فدرال (FGDC)، کمیته اروپایی استانداردسازی کمیته فنی 287 (CEN/TC-287)، انجمن بین المللی کارتوگرافی ( ICA) و سایر موارد که شامل برخی یا همه اجزای کیفیت هستند. مدل ISO19115:2003 [ 22 ] (و همتای آن کدگذاری XML، ISO19139:2007 [ 23 ]) شاید متداول‌ترین استاندارد برای توصیف ابرداده‌های مکانی باشد. ISO19113:2002 [ 24] اصول کیفیتی را تعریف کرد که در استاندارد بعدی ISO19157:2013 [ 14 ] گنجانده شد، که همچنین جزئیاتی را در مورد معیارهای کیفیت و عناصر فراداده برای مستندات کیفیت ارائه می‌کند که می‌تواند با مدل فراداده مکانی عمومی ISO19115 ادغام شود. SDI اروپا که از دستورالعمل INSPIRE حاصل می شود، نمونه ای از کاتالوگ داده چند ملیتی است که بر این استانداردها تکیه دارد.
علاوه بر نشانه‌های کیفیت، اطلاعات مربوط به اصل و نسب یا منشأ نیز جزئی در نظر گرفته می‌شود که به کاربران کمک می‌کند تا تناسب اندام را برای هدف ارزیابی کنند. اطلاعات منشأ شامل اطلاعات مربوط به تولید کننده است که می تواند بر اعتماد کاربر تأثیر بگذارد و همچنین اسناد رسمی در مورد فرآیندها، الگوریتم ها و منابع داده درگیر در بسط یک مجموعه داده [ 25 ]. ISO19115 اطلاعات منشأ را از طریق ساختارهای LI_Lineage ترکیب می کند.

4.2. بر اساس مدل ISO

پروژه GeoViQua ( http://www.geoviqua.org) بر اساس این استانداردها ساخته شده است تا مکانیسم های جدیدی برای تبادل اطلاعات با کیفیت هم از دیدگاه تولید کننده داده و هم از دیدگاه کاربر داده ارائه کند. مدل کیفیت تولید کننده GeoViQua (PQM) مبتنی بر ISO19157 است و شامل پشتیبانی جدید برای مسائل کشف‌شده، راه‌حل‌ها، استفاده، نقل‌قول‌ها، آمار مناسب و اعتبار است. PQM با مدل کیفیت کاربر (UQM) تکمیل می‌شود، که بازخورد کاربر را در مورد مجموعه داده‌ها، از جمله رتبه‌بندی‌های عددی با توجیه متنی، جمع‌آوری می‌کند. نظرات و گزارش های کاربر در مورد استفاده و مشکلات شناسایی شده؛ استناد نشریات؛ برچسب ها برای تسهیل کشف داده ها؛ گزارش های تکمیلی کیفیت؛ و اطلاعات در مورد هر گونه تمرکز مکانی، زمانی یا موضوعی بازخورد. طرحواره هایی که هم PQM و هم UQM را تعریف می کنند را می توان در http://schemas.geoviqua.org/GVQ/4.0/ یافت..
XML (به عنوان مثال، اسناد ISO19139) یک قالب قابل خواندن توسط ماشین است که برای ارائه مستقیم به کاربر مناسب نیست. ابزارها برای ارائه ابرداده و ویرایش ابرداده مورد نیاز هستند [ 26 ]. این ابزارها قادر به تولید گزارش های قابل خواندن برای انسان هستند، به عنوان مثال، در قالب صفحات HTML [ 27] با استفاده از استراتژی های مختلف، XSLT یک انتخاب محبوب برای تبدیل منابع اسناد فراداده XML به HTML قابل خواندن برای انسان است. حتی اگر یک گزارش قابل خواندن توسط انسان به راحتی توسط اپراتور آشنا تفسیر می شود، بار کاری برای مقایسه ده ها یا صدها سند غیرعملی است. ابزارهای بصری پیچیده تری را می توان برای نمایش محتوای یک ابرداده در یک تصویر ساده و فشرده که نشان دهنده وجود برخی اطلاعات در فراداده با رنگ آمیزی وجوه یک برچسب GEO [28] یا با نمایش کنار هم برخی از مقادیر فراداده در یک مقیاس نرمال شده مانند نمودار مختصات موازی [ 29 ].

4.3. واژگان برای توصیف کیفیت داده ها

استانداردهای ISO چارچوبی را برای ساختاردهی اطلاعات کیفیت داده ها فراهم می کند، اما باید در ترکیب با واژگان کنترل شده جامعی که امکان توصیف دقیق اطلاعات کیفیت را فراهم می کند، استفاده شود. همانطور که در بخش 5 توضیح خواهیم داد ، این واژگان می توانند برای انتقال معنای معنایی دقیق لایه های WMS استفاده شوند.
UncertML ( http://www.uncertml.org/ ) واژگانی از اصطلاحات است که می تواند برای توصیف پراکندگی مقادیر متغیرهای نامشخص و اجزای تشکیل دهنده آنها استفاده شود. در UncertML، عدم قطعیت را می توان به سه روش اصلی نشان داد:

  • به عنوان تحقق های فردی یک متغیر نامطمئن. به عنوان مثال، عدم قطعیت یک میدان دما را می توان با اجرای ده بار شبیه سازی در شرایط مختلف و ثبت نتایج هر شبیه سازی در یک فایل داده به عنوان یک فیلد جداگانه بیان کرد.
  • به عنوان آمار خلاصه . به جای ثبت هر تحقق به صورت جداگانه، ارائه‌دهنده داده می‌تواند آماری را محاسبه کند که توزیع مقادیر را در هر مکان اندازه‌گیری توصیف می‌کند. برای مثال، اسپرد ممکن است به صورت میدان میانگین و میدان واریانس بیان شود.
  • به عنوان توابع توزیع احتمال (PDF). این قوی ترین نمایش عدم قطعیت است و یک شکل عملکردی برای احتمال یک متغیر دارای یک مقدار معین در یک مکان معین می دهد. در یک فایل داده، یک PDF ممکن است با مشخص کردن شکل عملکردی PDF به عنوان ابرداده (به عنوان مثال، گاوسی یا log-normal) و دادن مقادیر هر پارامتر توزیع به عنوان یک فیلد جداگانه نمایش داده شود.
به این ترتیب، مجموعه ای از فیلدهای اسکالر را می توان به طور مناسب با اصطلاحات UncertML “برچسب” کرد تا به کاربر اجازه دهد بفهمد که آنها اجزای یک متغیر نامطمئن را نشان می دهند و وقتی با هم جمع شوند، اندازه گیری عدم قطعیت متغیر را ارائه می دهند.
واژگان QualityML [ 30 ] مبتنی بر UncertML [ 31 ] و ISO19157 است تا مجموعه ای جامع تر از اصطلاحات را ارائه دهد که طیف وسیع تری از معیارهای کیفیت را توصیف می کند. این اصطلاحات شامل آماری است که عدم قطعیت کل یک فیلد را خلاصه می کند (مثلاً خطای ریشه میانگین مربع) و عباراتی که عدم قطعیت ها را در داده های طبقه بندی توصیف می کنند (مثلاً خطای کمیسیون یا ضریب کاپا).
مشخصات NetCDF-U (در حال حاضر در کنسرسیوم فضایی باز، [ 32 ] در دست بحث است) مکانیزمی را برای استفاده از غنای واژگان UncertML در فایل های NetCDF فراهم می کند. QualityML همچنین می تواند در NetCDF برای همین منظور استفاده شود.

5. طراحی WMS-Q

این بخش ویژگی های اصلی نمایه WMS-Q را شرح می دهد. نسخه فعلی سند کامل نمایه WMS-Q را می‌توانید در http://www.geoviqua.org/Docs/WMS-Q_v2.d_final.pdf پیدا کنید .

5.1. مروری بر WMS

ما در اینجا به طور مختصر ویژگی های مرتبط اصلی استاندارد WMS (نسخه 1.3.0) را شرح می دهیم تا به درک افزونه های WMS-Q که در بخش های زیر توضیح می دهیم کمک کنیم.
داده های ارائه شده توسط سرور WMS به لایه هایی تقسیم می شوند که واحدهای اصلی اطلاعات را نشان می دهند. سرور ابرداده‌های مربوط به این لایه‌ها را از طریق یک سند فراداده خدمات قابل خواندن توسط ماشین (که سند «قابلیت‌ها» نیز نامیده می‌شود) ارائه می‌کند که می‌تواند توسط مشتریان از طریق عملیات GetCapabilities درخواست شود . همه لایه ها دارای یک فیلد عنوان قابل خواندن توسط انسان هستند. فراداده های بیشتری را می توان از طریق اسناد خارجی (هم قابل خواندن توسط انسان و هم قابل خواندن توسط ماشین) ارائه کرد که از طریق تگ MetadataURL به لایه ها در سند فراداده خدمات مرتبط می شوند .
تصاویر (نقشه‌های) جغرافیایی از لایه‌ها از طریق عملیات GetMap درخواست می‌شوند . دو راه برای کنترل ظاهر یک تصویر نقشه وجود دارد. ساده‌ترین روش این است که سرور استایل‌های ثابت را تبلیغ کند ، که هر کدام با نامی شناسایی می‌شوند که می‌تواند در درخواست GetMap درخواست شود . روش پیچیده تری را می توان با استفاده از یک سرور WMS که با پسوند Styled Layer Descriptor (SLD) [ 33 ] فعال است، ارائه کرد. در این حالت، مشتری با ارسال یک سند XML که با استفاده از استاندارد رمزگذاری نمادشناسی (SE) کدگذاری شده است، کنترل بسیار بیشتری بر ظاهر تصویر نقشه درخواستی دارد . چنین سروری اغلب به عنوان یک نام شناخته می شودسرور WMS دارای SLD/SE .
استاندارد WMS به لایه‌ها اجازه می‌دهد تا خودسرانه در یک سند ابرداده سرویس تودرتو شوند. لایه هایی که دارای ویژگی <Name> هستند قابل نمایش هستند (به این معنی که می توان آنها را در یک عملیات GetMap درخواست کرد). WMS به هر لایه ای اجازه نمایش را می دهد، حتی اگر آن لایه حاوی لایه های فرزند باشد. لایه هایی که قابل نمایش نیستند <Name> ندارند و معمولاً به عنوان مکانیزم گروه بندی برای لایه های فرزند استفاده می شوند. بنابراین یک سند فراداده سرویس WMS حاوی سلسله مراتبی از لایه ها است. استاندارد WMS قوانینی را مشخص می کند (جدول 7 در [ 1 ]) که بر وراثت ویژگی های لایه های والد توسط لایه های فرزند حاکم است. این قوانین برای طراحی WMS-Q مهم هستند: بخش 5.6 را ببینید .
عملیات GetFeatureInfo به یک سرویس گیرنده WMS اجازه می دهد تا اطلاعات بیشتری در مورد یک پیکسل مشخص شده در یک تصویر نقشه بازیابی کند. استاندارد WMS فرمت خاصی را برای اطلاعاتی که توسط سرور بازگردانده می شود مشخص نمی کند و بنابراین پیاده سازی ها می توانند به طور گسترده ای در رفتارشان متفاوت باشند.

5.2. اهداف طراحی برای WMS-Q

اهداف طراحی نمایه WMS-Q عبارت بودند از:

  • برای حفظ سازگاری با نسخه 1.3.0 استاندارد WMS. به عبارت دیگر، WMS-Q قصد دارد نمایه ای از WMS باشد ، نه یک افزونه . بنابراین، به جای افزودن قابلیت‌های جدید، مجموعه‌ای از قوانین در مورد نحوه استفاده از مکانیسم‌های موجود مجاز توسط استاندارد WMS برای انتقال داده‌ها، نمونه و کیفیت سطح متغیر ارائه می‌کند. به این ترتیب، سرویس گیرندگان استاندارد WMS قادر خواهند بود اطلاعات را از یک WMS-Q بخوانند.
  • استفاده مجدد از روش‌های عمومی موجود برای بیان کیفیت داده، در صورت لزوم (به عنوان مثال، UncertML، به بخش 4.3 بالا مراجعه کنید)، اما برای اجتناب از روش‌هایی که بسیار خاص برای جوامع خاص هستند.
  • مستقل بودن از هر فرمت یا قرارداد خاصی برای ذخیره سازی داده یا ابرداده.
  • تمرکز بر انتقال دقت موضوعی داده‌های شطرنجی طبقه‌ای و پیوسته (شامل عدم قطعیت آن)، اما اجازه می‌دهد تکنیک‌ها در آینده به‌طور گسترده‌تر قابل استفاده باشند (مثلاً برای داده‌های برداری).

5.3. شناسایی انطباق با WMS-Q

در WMS 1.3 و نسخه های قبلی، در حال حاضر هیچ مکانیسم استانداردی برای تبلیغات به مشتریانی وجود ندارد که یک نمونه سرویس WMS با یک نمایه خاص مطابقت داشته باشد. در WMS-Q ما از یک کلمه کلیدی در بالاترین سطح سند فراداده سرویس استفاده می‌کنیم، با مقدار “WMS-Q” در واژگان ” http://www.geoviqua.org/def/doc/conventions/vocabulary “. نمونه اسناد قابلیت های نشان دهنده این موضوع در بخش 5.6 ارجاع داده شده است .

5.4. کیفیت سطح مجموعه داده

در WMS-Q، مجموعه‌های داده (به «اصطلاحات»، در بالا مراجعه کنید) با لایه‌هایی نشان داده می‌شوند که قابل نمایش نیستند، اما به‌عنوان محفظه‌هایی برای لایه‌های فرزند که متغیرها را نشان می‌دهند، عمل می‌کنند. این لایه‌ها را می‌توان به‌طور دلخواه درون لایه‌های غیرقابل نمایش دیگری، که توسط ارائه‌دهنده داده انتخاب می‌شود، برای تحمیل یک ساختار منطقی، تودرتو کرد. (در این مورد، لایه‌های غیرقابل نمایش به‌عنوان «پوشه‌ها» عمل می‌کنند و معمولاً به این صورت در افسانه یا لیست لایه‌ها در نرم‌افزار سرویس گیرنده WMS ظاهر می‌شوند.)
کیفیت داده در سطح مجموعه داده با مرتبط کردن لایه مربوطه با یک MetadataURL بیان می شود که به یک سند فراداده استاندارد و مناسب (مثلاً یک توصیفگر مجموعه داده ISO19115) اشاره می کند. با این حال، توصیه می‌کنیم تا جایی که ممکن است اطلاعات کیفیت داده‌ها با دقت بیشتری در سطح متغیر مرتبط شود.

5.5. کیفیت سطح متغیر

در WMS-Q، متغیرها با لایه‌هایی نشان داده می‌شوند که فرزندان مستقیم لایه‌هایی هستند که مجموعه داده‌ها را نشان می‌دهند. اطلاعات با کیفیت در این سطح، مانند اطلاعات سطح داده، توسط اسناد خارجی که از طریق تگ های MetadataURL پیوند داده شده اند، ارائه می شود. اسناد فراداده داده ISO19115 مرتبط دارای یک یا چند عنصر DQ_DataQuality هستند که شاخص‌های کیفیت کلی را گزارش می‌کنند که توسط برآوردگرها یا خلاصه‌های آماری نشان داده می‌شوند (مثلاً خطاهای ریشه میانگین مربع یا ماتریس‌های سردرگمی). از آنجایی که یک سند ISO19115 می تواند برای انتقال چندین عنصر DQ_DataQuality استفاده شود، مهم است که پیوندی از هر DQ_DataQuality به لایه اصلی WMS-Q حفظ شود. این را می توان با استفاده از عناصر فرعی MD_Scope و سطح سند = “لایه” و levelDescription = نام لایه به دست آورد.. سپس پیوندی از MD_Distribution می تواند برای توصیف پیوند به سرویس WMS به عنوان یک کل استفاده شود.
اگر متغیر حاوی اطلاعات کیفیت سطح نمونه نباشد، لایه نشان دهنده متغیر قابل نمایش خواهد بود و بنابراین مشتری می تواند تصاویر نقشه متغیر را درخواست کند. اگر متغیر حاوی اطلاعات کیفیت سطح نمونه باشد، لایه متناظر آن باید غیرقابل نمایش باشد و فقط به عنوان یک محفظه برای لایه‌های فرزند که مؤلفه‌های نمونه‌ها را نشان می‌دهند عمل می‌کند، همانطور که در بخش بعدی توضیح داده خواهد شد. این لایه حاوی کلمه کلیدی “qualityCollection” از واژگان ” http://qualityml.geoviqua.org/1.0/ ” است. همچنین ممکن است حاوی کلمات کلیدی از واژگان دیگر باشد – برای مثال، اگر عدم قطعیت متغیر در سطح نمونه با استفاده از مجموعه‌ای از آمار خلاصه بیان شود (به بخش 4.3 مراجعه کنید.در بالا)، لایه ممکن است با کلمه کلیدی “statisticsCollection” از واژگان UncertML برچسب گذاری شود.

5.6. کیفیت سطح نمونه

اگر متغیر حاوی اطلاعات کیفیت سطح نمونه باشد، تمام اجزای نمونه یک متغیر به‌عنوان فرزندان مستقیم لایه متغیر نشان داده می‌شوند (در سطح پایین سلسله مراتب، به عنوان مثال، هر جزء یک گره برگ در درخت لایه‌ها است). این لایه‌های فرزند قابل نمایش هستند و برچسب‌های کلیدواژه به آنها داده می‌شود که معنای مولفه را توصیف می‌کنند و در صورت امکان از اصطلاحات واژگانی مانند QualityML یا UncertML استفاده می‌کنند.
اگرچه گاهی اوقات تجسم این مؤلفه‌ها (لایه‌های کودک) به‌صورت جداگانه راحت است، اغلب برای یک سرویس گیرنده WMS بسیار مطلوب است که بتواند یک تصویر نقشه واحد را نمایش دهد که متغیر را به عنوان یک کل نشان می‌دهد، شاید با همپوشانی خطوطی از برخی معیارهای عدم قطعیت (مثلاً ، واریانس) روی یک تصویر شطرنجی که نشان دهنده میدان میانگین است ( شکل 1 را ببینید). در برخی موارد، این اثر را می توان با درخواست تصاویر جداگانه از سرور (یکی برای هر کامپوننت) و نوشتن آنها بر روی مشتری به دست آورد. با این حال، این روش برای برخی از روش‌های تجسم کیفیت داده‌ها (به عنوان مثال، نقشه‌های رنگی دو متغیره، در زیر) کار نمی‌کند. به همین دلیل، سرورهای WMS-Q یک لایه قابل نمایش اضافی را به عنوان خواهر و برادر دیگر لایه‌های فرزند که مؤلفه‌ها را نشان می‌دهند، ارائه می‌کنند. این لایه فرزند “ویژه” متغیر را به عنوان یک کل نشان می دهد و کلمه کلیدی “qualityComposition” به آن داده می شود. این اولین لایه ای است که به عنوان فرزند مستقیم لایه فهرست شده است که متغیر را نشان می دهد (در این مورد همچنین می تواند یک سند ابرداده که کیفیت آن را توصیف می کند در MetadataURL به صورت بالا پیوست شده باشد). در نظر گرفته شده است که مشتریان این لایه فرزند “ویژه” را به عنوان یک تصویر پیش فرض معقول از متغیر نامشخص در نظر بگیرند.
Ijgi 04 01965 g001a 1024 Ijgi 04 01965 g001b 1024
شکل 1. نمونه تجسم دمای سطح دریا و عدم قطعیت آن از مجموعه داده دمای سطح دریا از مجموعه داده تغییرات آب و هوایی آژانس فضایی اروپا (CCI-SST) [19]، تولید شده توسط نرم افزار ncWMS -Q (به بخش 6.1 مراجعه کنید ) با استفاده از الحاقات پیشنهادی برای مشخصات رمزگذاری نمادشناسی (SE) (به بخش 5.8 مراجعه کنید ). از بالا سمت چپ: ( الف ) دما به صورت روشنی رنگ کدگذاری می‌شود، با خطوط غیرقطعی آن (واریانس). ( ب ) عدم قطعیت نشان داده شده از طریق سطوح متوالی stippling، با stippling متراکم نشان دهنده عدم قطعیت بالا. ( ج ) عدم قطعیت به عنوان سایه سیاه نشان داده می شود. ( د) استفاده از نقشه رنگی دو متغیره، با درجه حرارت به عنوان روشنایی و عدم قطعیت به عنوان اشباع رنگ کدگذاری شده است.
توجه داشته باشید که پیش‌نویس‌های اولیه WMS-Q با استفاده از یک لایه نمایش‌پذیر در سطح متغیر تلاش می‌کردند به همین هدف دست یابند، که اجازه داشت حاوی کودکانی باشد که مؤلفه‌های آن را نشان می‌دادند. با این حال، استاندارد WMS بیان می کند که تمام سبک ها توسط لایه های فرزند به ارث می رسند. برای سبک‌هایی که برای کل متغیرها مناسب هستند (احتمالاً ترکیبات اجزا را تعریف می‌کنند) مناسب نیست که توسط لایه‌هایی که مؤلفه‌های جداگانه را نشان می‌دهند به ارث برده شوند (به عنوان مثال، سبکی که خطوط عدم قطعیت را در بالای یک فیلد نگاشت رنگ ترسیم می‌کند، مناسب نیست. برای به تصویر کشیدن یک جزء واحد). به همین دلیل، لایه ای که متغیر را نشان می دهد نمی تواند قابل نمایش باشد، بنابراین ما لایه ای که کل متغیر را نشان می دهد یک فرزند قابل نمایش می کنیم و به آن اجازه می دهیم مجموعه متفاوتی از Styles را از اجزای جداگانه خود داشته باشد.
مثال 1: در مجموعه داده CCI-SST که در بخش 3 توضیح داده شده استدر بالا، یک متغیر “دمای سطح دریا” وجود دارد. عدم قطعیت هر نمونه با استفاده از دو مولفه که به ترتیب میانگین و واریانس متغیر را نشان می دهند، بیان می شود. این در WMS-Q با استفاده از یک لایه غیرقابل نمایش نشان دهنده متغیر بیان می شود که با کلمات کلیدی “qualityCollection” و “statisticsCollection” برچسب گذاری شده است. این لایه دارای سه فرزند است: فرزند اول متغیر را به عنوان یک کل نشان می دهد، و سبک هایی را ارائه می دهد که مشتری را قادر می سازد میانگین و واریانس را با هم در یک تصویر مجسم کند (مثلاً با استفاده از خطوط واریانس روی یک تصویر رنگی نگاشت شده). دو فرزند باقی‌مانده به ترتیب مؤلفه‌های میانگین و واریانس را نشان می‌دهند و با کلمات کلیدی حاوی عبارات «میانگین» و «واریانس» از واژگان UncertML برچسب‌گذاری می‌شوند. این به صورت گرافیکی در نشان داده شده استشکل 2 . سند فراداده سرویس WMS-Q کامل را می توان با استفاده از این پیوند بازیابی کرد: http://ncwms.geoviqua.org/wms?SERVICE=WMS&REQUEST=GetCapabilities&VERSION=1.3.0&DATASET=cci-sst . یک سرویس گیرنده آزمایشی که داده ها را نشان می دهد را می توان در اینجا یافت: http://ncwms.geoviqua.org/godiva2.html .
Ijgi 04 01965 g002 1024
شکل 2. نمایش شماتیک ساختار لایه ها در یک نمایه خاص “با کیفیت فعال” نمونه سرویس Web Map Service (WMS-Q)، که سلسله مراتب Service-Data-Variable-Component را نشان می دهد. هر کادر یک لایه در درخت است: کادرهای آبی نمایانگر لایه‌های غیرقابل نمایش هستند، در حالی که کادرهای نارنجی نشان‌دهنده لایه‌های قابل نمایش هستند. اشتقاق این سلسله مراتب در بخش 5.5 آورده شده است .
مثال 2: ما متغیر “طبقه بندی پوشش زمین” را که از Landsat در پروژه تحقیقاتی ملی اسپانیا DinaCliVe مشتق شده است، در نظر می گیریم. روش طبقه‌بندی که در اینجا به کار می‌رود، تکنیک‌های طبقه‌بندی سنجش از دور رایج را با بسته‌های کاداستر و نیروهایی ترکیب می‌کند که هر بسته کامل به عنوان یک واحد در نظر گرفته می‌شود که امکان پردازش آماری پیکسل‌های داخل [20] را فراهم می‌کند . متغیر و عدم قطعیت آن در سطح نمونه با استفاده از چندین مؤلفه بیان می شود. برخی از آنها اجزای طبقه ای هستند مانند کلاسی که بیشترین حضور در بسته را دارد و طبقه دوم و سوم موجود در آن بسته. برخی دیگر از مؤلفه‌ها پیوسته هستند مانند وفاداری، بازنمایی، بی‌تفاوتی، آنتروپی و غیره (به http://qualityml.geoviqua.org مراجعه کنید).برای تعریف آنها). لایه متغیر چندین فرزند دارد: فرزند اول مؤلفه ای را نشان می دهد که اکثر کاربران می خواهند ببینند: کلاسی که بیشترین حضور را در بسته دارد. این با کلمه کلیدی http://qualityml.geoviqua.org/1.0/values ​​برچسب گذاری شده است . کلاس های باقی مانده به کاربر کمک می کند تا تنوع طبقه بندی در بسته و اطمینان طبقه بندی را درک کند. همه آنها با کلمات کلیدی حاوی عبارات مناسب از واژگان QualityML برچسب گذاری شده اند. سند فراداده کامل سرویس WMS-Q را می توان با استفاده از این پیوند بازیابی کرد: http://www.ogc.uab.cat/cgi-bin/GeoViQUA/WMSQ/MiraMon.cgi?SERVICE=WMS&VERSION=1.3.0&REQUEST=GetCapabilities . یک کلاینت آزمایشی که داده ها را نشان می دهد را می توان در اینجا پیدا کرد:http://wms-q-demo.geoviqua.org/geoviqua/wmsq/ .

5.7. رفتار GetFeatureInfo

همانطور که در بخش 5.1 در بالا ذکر شد، استاندارد WMS داده های بازگردانده شده توسط سرور در پاسخ به درخواست GetFeatureInfo را مشخص نمی کند. در WMS-Q، اگر GetFeatureInfo برای لایه ای درخواست می شود که یک متغیر را به طور کلی نشان می دهد، توصیه می کنیم که سرور با یک نمایش متنی گرافیکی یا ساختاریافته از تابع توزیع احتمال مقدار متغیر در نقطه درخواست پاسخ دهد، اگر ممکن است. اگر این امکان پذیر نیست، سرور باید با یک سند حاوی مقادیر هر یک از اجزای نمونه در آن نقطه پاسخ دهد. این جنبه از WMS-Q تا کنون به طور کامل تعریف نشده است و در نسخه های بعدی اصلاح خواهد شد.

5.8. برنامه های افزودنی استاندارد رمزگذاری نمادشناسی

روش‌های مختلفی برای نمایش عدم قطعیت‌ها در داده‌های شطرنجی، چه به صورت فیلدهای پیوسته یا طبقه‌بندی شده وجود دارد. شرح کامل همه گزینه ها خارج از محدوده این مقاله است، اما استراتژی های رایج عبارتند از:

  • به تصویر کشیدن “بهترین تخمین” به عنوان یک تصویر رنگی، با خطوطی که معیاری از عدم قطعیت داده را نشان می دهد (بالا سمت چپ شکل 1 ) پوشانده شده است.
  • همانطور که در بالا ذکر شد، اما عدم قطعیت از طریق سطوح مختلف چسبندگی یا بافت (بالا سمت راست شکل 1 ) نشان داده می شود، همانطور که در گزارش های ارزیابی پانل بین دولتی در مورد تغییرات آب و هوا استفاده می شود (به عنوان مثال، [ 34 ]).
  • همانطور که در بالا، با عدم قطعیت نشان داده شده با استفاده از سایه سیاه، کدورت آن با عدم قطعیت داده افزایش می‌یابد (پایین سمت چپ شکل 1 ).
  • با استفاده از یک نقشه رنگی دو متغیره (به عنوان مثال، [ 35 ]) که در آن رنگ یک پیکسل تابعی از دو متغیر است، “بهترین تخمین” و عدم قطعیت (سمت راست پایین شکل 1 ).
  • با استفاده از گلیف ( به عنوان مثال ، نمادهای کوچک)، که شکل، اندازه یا رنگ آن را می توان به اجزای مختلف یک متغیر نامشخص نگاشت. یک مورد خاص در این مورد استفاده از “مثلث های اطمینان” است (به عنوان مثال، [ 36 ])، که با تقسیم تصویر به مربع ها، که هر کدام به دو مثلث تقسیم می شوند، گسترش تخمینی داده ها را تجسم می کنند. به مثلث پایینی رنگی اختصاص داده می شود که نمایانگر کران پایینی متغیر است و مثلث بالایی مطابق با کران بالایی متغیر رنگ می شود. تضاد در رنگ ها بین دو مثلث تخمین بصری عدم قطعیت را ارائه می دهد.
نسخه فعلی استاندارد SE تنها به تعداد محدودی از ابزارهای تجسم داده های شطرنجی با استفاده از RasterSymbolizer اجازه می دهد. مقادیر داده ها را می توان به رنگ های پیکسل نگاشت و تیرگی تصویر را به عنوان یک کل تغییر داد. سایر عملکردها در SE حول تصاویر سنجش از دور نوری (با کانال‌های قرمز، سبز و آبی فرضی) یا مدل‌های ارتفاعی دیجیتال هستند. خطوط، خطوط، نقشه‌های رنگی دو متغیره یا حروف در SE پشتیبانی نمی‌شوند. بنابراین ما برنامه‌های افزودنی را برای SE پیشنهاد می‌کنیم تا از این انواع تصویر پشتیبانی کنند. به دلایل فضایی، شرح کامل اجرای این سبک های جدید خارج از محدوده این مقاله است، اما در یک سند پیش نویس در http://www.geoviqua.org/Docs/03_ncWMS_Styling_Specification_1.0.pdf شرح داده شده است.و در نرم افزار ncWMS-Q پیاده سازی شده اند (به بخش 6.1 زیر و یک سرویس گیرنده آزمایشی در http://ncwms.geoviqua.org/sldtest.html مراجعه کنید ).
مشتریان می توانند با ایجاد یک سند SLD با استفاده از این سبک های جدید و ارسال آن به سرور، درخواست کنند که تصاویر نقشه با استفاده از این سبک های جدید تولید شود. از طرف دیگر، یک سرور ممکن است سبک‌های نام‌گذاری شده‌ای را ارائه دهد که این سبک‌های جدید را برای راحتی و سادگی (به قیمت کمی انعطاف‌پذیری) پیاده‌سازی می‌کنند.

5.9. مخلوط کردن داده‌های «با کیفیت فعال» با داده‌های «فعال نشده با کیفیت»

در WMS-Q، همه لایه ها لزوماً دارای اطلاعات کیفی (در سطح متغیر یا نمونه یا هر کدام) نیستند. مخلوط کردن لایه‌های «با کیفیت فعال» و «معمولی» در یک نمونه سرویس WMS مجاز است. وجود پیوندهای MetadataURL به اسناد فراداده با شاخص‌های کیفیت و کلیدواژه‌های ویژه «qualityCollection»، «qualityComposition» یا سایر کلمات کلیدی در واژگان UncertML یا QualityML به مشتری این امکان را می‌دهد تا لایه‌های با کیفیت را در یک سرویس WMS شناسایی کند.

6. اجراها

6.1. پیاده سازی سرور

نمایه WMS-Q در دو سیستم در چارچوب پروژه GeoViQua پیاده سازی شده است. نرم افزار ncWMS [ 3 ] برای سازگاری با WMS-Q، تجسم داده های شطرنجی (به عنوان مثال، شبیه سازی های عددی و تصاویر ماهواره ای) سازگار شده است. خروجی از ncWMS-Q را می توان در شکل 1 مشاهده کرد ، که داده ها را از مجموعه داده های CCI-SST از دمای سطح دریا و یخ دریا نشان می دهد [ 19]]. ncWMS طوری طراحی شده است که از طریق تشخیص خودکار ابرداده از فایل های منبع در قالب NetCDF، حداقل به پیکربندی نیاز دارد. این پیکربندی خودکار به شناسایی فایل های داده NetCDF-U که حاوی اطلاعاتی در مورد عدم قطعیت داده است، گسترش یافته است. بنابراین مدیران سیستم فقط باید داده های خود را در NetCDF-U قالب بندی کنند و نرم افزار ncWMS-Q به طور خودکار یک نقطه پایانی سازگار با WMS-Q را ارائه می دهد. پیکربندی دستی در مواردی که فایل های NetCDF-U نمی توانند ارائه شوند امکان پذیر است.
مرکز تحقیقات زیست محیطی و کاربردهای جنگلداری (CREAF) یک سرور WMS/WMTS ایجاد کرده است که از WMS-Q بر اساس فناوری خدمات نقشه MiraMon [ 37 ] پشتیبانی می کند. این به ما اجازه داد تا پیاده سازی را برای متغیرهای پیوسته و طبقه ای آزمایش کنیم. برای متغیرهای پیوسته، اطلس آب و هوایی شبه جزیره ایبری شاخص های کیفی زیر را در مورد دما ارائه می دهد: مقادیر میانگین سالانه، مناطق برون یابی، رگرسیون باقیمانده و آزمون پایداری. برای متغیرهای طبقه‌بندی شده، اطلس طبقه‌بندی شده Landsat با مجموعه‌ای از شاخص‌های کیفیت در رابطه با پوشش زمین تکمیل شد: کلاس‌های اول، دوم و سوم، وفاداری، بازنمایی، بی‌حوصلگی، دسته‌بندی اکثریت، آنتروپی و عدم قطعیت.
اجرای CREAF از WMS در سرور MiraMon بر اساس یک فرآیند پیش رندر است که هر دو نقطه پایانی WMS و WMTS را ارائه می دهد. در عمل، این بدان معنی است که نمادسازی توسط اپراتور منتشر کننده لایه به لایه مرتبط می شود. این مزیت را دارد که تجسم‌های غنی و توصیه‌شده را می‌توان به مشتریان استانداردی ارائه داد که کاملاً از ویژگی‌های پسوند WMS آگاه نیستند. تجسم های متعددی را می توان ارائه کرد اما کاربران نمی توانند پارامترهای نمادسازی را کنترل کنند. نرم افزار ncWMS-Q از افزونه های پیشنهادی بالا برای استاندارد SE پشتیبانی می کند (به بخش 5.1 بالا مراجعه کنید) و بنابراین در این مورد مشتری کنترل دقیقی بر نتیجه فرآیند رندر تصویر دارد.

6.2. پیاده سازی های مشتری

ncWMS با یک مشتری تجسم مبتنی بر نقشه تعاملی به نام Godiva2 بسته بندی شده است [ 38 ]. Godiva2 برای انطباق با WMS-Q تطبیق داده شده است و به کاربران این امکان را می دهد که به صورت تعاملی داده های نامشخص در وب را کاوش کنند.
مرورگر نقشه MiraMon بهبود یافته است و آن را از WMS-Q آگاه می کند. لایه‌ها را برای این منظور به دنبال سند فراداده سرویس که توسط سلسله مراتب لایه توضیح داده شده در این مقاله تعریف شده است، گروه‌بندی می‌کند. فقط تغییراتی در گروه‌بندی لایه‌ها و مرتب‌سازی مجدد دستی توسط کاربر مورد نیاز بود، که ثابت می‌کرد کلاینت‌های استاندارد WMS موجود چقدر راحت با WMS-Q سازگار می‌شوند. علاوه بر این، دو ابزار مختلف اضافه شد تا کاربران بتوانند به راحتی پارامترهای مرتبط با یک لایه خاص را مقایسه کنند. کاربر می تواند به صورت پویا شفافیت لایه ها را در زمان اجرا تغییر دهد تا لایه های زیر را ببیند. و shift، اجازه می دهد تا به صورت پویا یک ناحیه از لایه بالایی پنهان شود، بنابراین موارد زیر قابل مشاهده هستند.

7. ادغام WMS-Q در زیرساخت داده های مکانی با کیفیت

WMS-Q در چارچوب پروژه GeoViQua ( http://www.geoviqua.org ) توسعه داده شد که چندین مؤلفه دیگر از یک SDI «با کیفیت فعال» را نیز توسعه داد. اگرچه این اجزا در ابتدا به عنوان پیشرفت‌هایی برای سیستم‌های جهانی رصد زمین (GEOSS) طراحی و توسعه داده شدند، اما کاربرد گسترده‌تری دارند.
فهرست‌نویسی و کشف داده‌ها با تقویت Discover and Access Broker (DAB) برای تولید یک نسخه با کیفیت (DAB-Q، http://essi-lab.eu/do/view/GIcat ) اجرا شد. این اسناد فراداده خدمات WMS-Q (“قابلیت ها”) را جمع آوری می کند و لایه های مختلف موجود در آنجا را در اسناد ISO 19115 ترسیم می کند که اساس کاتالوگ داده ها را تشکیل می دهد. سپس می‌توان از آن اسناد ISO فراداده‌ای در پورتال GEO ( http://www.geoportal.org ) برای یافتن مجموعه‌های داده‌ای که با کیفیت فعال هستند استفاده کرد. بنابراین، هنگامی که یک مجموعه داده فعال WMS-Q در جستجو یافت می شود، علاوه بر تمام پیوندهای فعلی ارائه شده، پیوندهایی به متغیرهای مختلف و مؤلفه های کیفیت آنها در اختیار کاربر قرار می گیرد.
خدمات WMS-Q از طریق کلمه کلیدی “WMS-Q” در واژگان ” http://www.geoviqua.org/def/doc/conventions/vocabulary ” یافت می شوند (به بخش 5.3 بالا مراجعه کنید). بسته به وجود کلمه کلیدی ” http://qualityml.geoviqua.org/1.0/qualityCollection “، متغیرها دارای اجزایی در سطح پیکسل هستند یا نه، و اگر تعریف شده باشند، قابل نمایش هستند یا قابل نمایش نیستند (با داشتن < نام> برچسب یا نه، به بخش 5.5 در بالا مراجعه کنید.
یک نمونه اولیه برای کشف مجموعه‌های داده با ویژگی‌های آماری خاص اجرا شد که به جستجوهایی که از کیفیت مجموعه داده‌ها آگاه هستند (به عنوان مثال، انحراف استاندارد کمتر از 1 متر) اجازه می‌دهد. پورت نهایی این پیاده سازی بهبود یافته با کیفیت در موتور جستجوی GEO Portal قرار است انجام شود.

8. بحث و کار آینده

این مقاله WMS-Q را معرفی می‌کند، پروفایلی از استاندارد WMS که مکانیزمی برای ارتباط با کیفیت داده‌ها فراهم می‌کند. ویژگی های ضروری پروفایل عبارتند از:

  • ارتباط کیفیت داده ها در سطح مجموعه داده ها، متغیرها و نمونه های فردی
  • استفاده مجدد از مفاهیم استانداردها و واژگان مرتبط، از جمله UncertML و QualityML، با استفاده از برچسب کلمه کلیدی WMS برای ارتباط با کیفیت و عدم قطعیت یک متغیر اندازه گیری شده.
  • سازگاری کامل با نسخه 1.3.0 استاندارد WMS.
  • برنامه های افزودنی به مشخصات SE برای کنترل بیشتر روی تجسم اجزای نامشخص.
این نمایه در اولین نسخه به عنوان یک گزارش مهندسی عمومی OGC [ 39 ] توسعه داده شد. با این حال، در طول آزمایش بیشتر در پروژه GeoViQua، برخی از مشکلات در سند شناسایی و حل شد. نتایج این اصلاحات در اینجا و همچنین در کارگروه استانداردهای WMS ارائه شده است که اکنون آن را به عنوان نمایه استاندارد OGC در نظر می گیرد.
ما نمونه‌هایی از استفاده از پروفایل را برای دو مجموعه داده شطرنجی ارائه کرده‌ایم: یکی نشان‌دهنده داده‌های پیوسته (دمای سطح دریا) و دیگری نشان‌دهنده داده‌های طبقه‌بندی شده (طبقه‌بندی کاربری زمین). بسط های بیشتری برای مشخصات SE می تواند ابداع شود تا راه های بیشتری برای تجسم عدم قطعیت، مانند “روبان های عدم قطعیت” و “گلیف های درجه بندی شده” که در [7] توضیح داده شده اند، پشتیبانی شود . برخی از برنامه‌های افزودنی برای داده‌های برداری نیز در پروژه GeoViQua آزمایش شدند و در کارهای آینده، بر اساس رویکردهایی مانند آنچه در [ 11 ] توضیح داده شد، مورد بررسی قرار خواهند گرفت.
کار موازی این مفاهیم را به استاندارد Web Map Tile Service (WMTS) گسترش داده است و در انتشارات بعدی توضیح داده خواهد شد. WMTS با استفاده مجدد از بسیاری از مفاهیم WMS اما با مقیاس پذیری و کارایی در ذهن ایجاد شد. هر دو مفهوم لایه ها را دارند و در نتیجه هر دو نقشه را ارائه می دهند. تفاوت مهمی که برای اعمال این پروفایل مهم است این است که تودرتوی لایه ها را نمی توان در WMTS انجام داد. در عوض، مفهوم مضامینمعرفی شد و تعریف لایه را از وابستگی های متقابل لایه جدا کرد. تم به عنوان یک ساختار درختی تعریف می‌شود که می‌تواند حاوی مضامین دیگری باشد که می‌توانند متغیرها و مراجع لایه‌ای را که می‌توانند مؤلفه‌های عدم قطعیت را نشان دهند، نشان دهند. به این ترتیب، یک موضوع کیفیت می تواند برای توصیف رابطه مؤلفه های کیفیت نمونه برای یک متغیر تعریف شود.
این مقاله بر روی استانداردهای کشف تمرکز دارد، اما بسیاری از مفاهیم را می توان در استانداردها و خدمات دسترسی به داده، مانند استاندارد خدمات پوشش وب (WCS) مورد استفاده مجدد قرار داد. نسخه 2 [ 40 ] این استاندارد یک رویکرد مدولار را اتخاذ کرده است که امکان گسترش بهتر را فراهم می کند. در WCS، GMLCOV [ 41 ] (یک طرح برنامه کاربردی GML برای پوشش‌ها) برای توصیف پیشنهادات پوشش استفاده می‌شود و می‌توان آن را برای شناسایی دقیق متغیرهای نامشخص و مؤلفه‌هایی که آنها را در سطح نمونه منتقل می‌کنند، نمایه کرد. علاوه بر این، عملیات WCS می تواند برای درخواست مولفه های کیفیت و عدم قطعیت لازم گسترش یابد.
اخیراً، ما شروع به همکاری با آژانس‌های پیش‌بینی آب و هوا از جمله MeteoFrance، MetOffice انگلستان، KNMI، DWD، ECMWF و AFWA کرده‌ایم که در حال کار روی بهترین روش WMS برای برقراری ارتباط بهتر احتمال پیش‌بینی مجموعه‌های مدل از طریق WMS هستند. این سازمان ها در حال حاضر خدمات WMS را ارائه می دهند و راه حل های خود را پیاده سازی کرده اند. با در نظر گرفتن هر نتیجه مجموعه به عنوان یک نمونه آماری و محصولات مشتق شده به عنوان توزیع احتمال آماری، ما ارتباط WMS-Q را به عنوان راه حلی برای استانداردسازی مجموعه تشخیص دادیم. ما انتظار داریم که نتایج این بحث‌ها در استفاده از نسخه بهبودیافته WMS-Q که الزامات جامعه پیش‌بینی آب و هوا و اقیانوس را برآورده می‌کند، همگرا شوند.

منابع

  1. De la Beaujardiere, J. OpenGIS Web Map Service (WMS) Specification Implementation Version 1.3.0 ; OGC 06-042; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2006. [ Google Scholar ]
  2. کمیته فنی ISO/TC 211، اطلاعات جغرافیایی/ژئوماتیک. در ISO 19128:2005 اطلاعات جغرافیایی—رابط سرور نقشه وب ; ISO: ژنو، سوئیس، 2005; پ. 76.
  3. بلوور، جی. جمل، ا. گریفیث، جی. هاینز، ک. سانتوخی، ا. Yang, XA Web Map Service پیاده سازی برای تجسم داده های محیطی شبکه بندی شده چند بعدی. محیط زیست مدل. نرم افزار 2013 ، 47 ، 218-224. [ Google Scholar ] [ CrossRef ]
  4. Masser, I. ساخت زیرساخت های داده های فضایی اروپا ; Esri Press: Redlands، CA، USA، 2007. [ Google Scholar ]
  5. خلسا، SJS; ناتیوی، س. Geller، GN پروژه آزمایشی فرآیند تعامل پذیری GEOSS (IP3). IEEE Trans. Geosci. Remote Sens. 2009 ، 47 ، 80-91. [ Google Scholar ] [ CrossRef ]
  6. پبسما، ای. کورنفورد، دی. دوبوا، جی. Heuvelink، GBM؛ هریستوپولوس، دی. پیلز، جی. استولکر، اچ. مورین، جی. Skøien, JO INTAMAP: طراحی و پیاده سازی یک سرویس وب درونیابی خودکار قابل همکاری. محاسبه کنید. Geosci. 2011 ، 37 ، 343-352. [ Google Scholar ] [ CrossRef ]
  7. سانیال، ج. ژانگ، اس. دایر، جی. مرسر، آ. آمبرن، پی. Moorhead، RJ Noodles: ابزاری برای تجسم عدم قطعیت مجموعه مدل آب و هوای عددی. IEEE Trans. Vis. محاسبه کنید. نمودار. 2010 ، 16 ، 1421-1430. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  8. پاتر، ک. ویلسون، ا. برمر، PT; ویلیامز، دی. دوتریو، سی. پاسکوچی، وی. جانسون، سی. تجسم عدم قطعیت و داده های مجموعه: کاوش مدل سازی آب و هوا و داده های پیش بینی آب و هوا با سیستم های ViSUS-CDAT یکپارچه. J. Phys. Conf. سر. 2009 , 180 . [ Google Scholar ] [ CrossRef ]
  9. MacEachren، AM; رابینسون، ا. هاپر، اس. گاردنر، اس. موری، آر. گهگان، م. هتزل، ای. تجسم عدم قطعیت اطلاعات مکانی: آنچه می دانیم و آنچه باید بدانیم. کارتوگر. Geogr. Inf. علمی 2005 ، 32 ، 139-160. [ Google Scholar ] [ CrossRef ]
  10. Müller, M. (Ed.) OpenGIS Symbology Encoding Implementation Specification نسخه 1.1.0 ; OGC 05-077r4; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2006.
  11. Keijzer، SC تجسم عدم قطعیت مربوط به مقیاس در نقشه های وب برای برنامه ریزی فضایی. پایان نامه کارشناسی ارشد، پایان نامه های دانشکده علوم زمین، دانشگاه اوترخت، اوترخت، هلند، 2011. [ Google Scholar ]
  12. کمیته فنی ISO/TC 176/SC 1، مفاهیم و اصطلاحات. در ISO 8402:1994 مدیریت کیفیت و تضمین کیفیت — واژگان ; ISO: ژنو، سوئیس، 1994.
  13. دیویلر، آر. جروایس، ام. Bédard، Y.; Jeansoulin, R. کیفیت داده های فضایی: از فراداده تا شاخص های کیفیت و کتابچه راهنمای کاربر نهایی متنی. در مجموعه مقالات کارگاه مشترک OEEPE/ISPRS 2002 در مورد مدیریت کیفیت داده های مکانی، استانبول، تورکی، 21 تا 22 مارس 2002.
  14. کمیته فنی ISO/TC 211، اطلاعات جغرافیایی/ژئوماتیک. در ISO 19157:2013 اطلاعات جغرافیایی — کیفیت داده ; ISO: ژنو، سوئیس، 2013; پ. 146.
  15. کرسه، دبلیو. Danko, DM Springer Handbook of Geographic Information ; Springer-Verlag: برلین، آلمان، 2012; پ. 1120. [ Google Scholar ]
  16. Veregin، H. پارامترهای کیفیت داده. در سیستم های اطلاعات جغرافیایی ; Longley، PA، Goodchild، MF، Maguire، DJ، Rhind، DW، Eds. جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 1999; صص 177-189. [ Google Scholar ]
  17. توسعه زیرساخت های داده های مکانی: کتاب آشپزی SDI. در دسترس آنلاین: http://www.gsdi.org/docs2004/Cookbook/cookbookV2.0.pdf (در 28 سپتامبر 2015 قابل دسترسی است).
  18. لارنس، بی. لوری، آر. میلر، پی. اسنایت، اچ. Woolf, A. اطلاعات در شبکه های داده های محیطی. فیلوس ترانس. R. Soc. ج: ریاضی فیزیک مهندس علمی 2009 ، 367 ، 1003-1014. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. Merchant, CJ; امبری، او. رابرتز جونز، جی. فیدلر، EK; Bulgin، CE; کورلت، جی.کی. خوب، S. مک لارن، ای. راینر، NA; Donlon، C. ESA ابتکار تغییر آب و هوا دمای سطح دریا (ESA SST CCI): تجزیه و تحلیل محصول بلند مدت نسخه 1.0 ; مرکز داده‌های رصد زمین NERC: آکسفورد، بریتانیا، 2014. [ Google Scholar ]
  20. پونز، ایکس. سویانو، ای. موره، جی. سرا، پ. کورنفورد، دی. Ninyerola، M. Distribución espacial de la incertidumbre en maps de cubiertas obtenidos mediante teledetección. کشیش Teledetec. 2014 . [ Google Scholar ] [ CrossRef ]
  21. دیویلر، آر. Bédard، Y.; Jeansoulin، R. مدیریت چند بعدی اطلاعات کیفیت داده های مکانی برای استفاده پویا در GIS. فتوگرام مهندس Remote Sens. 2005 ، 71 ، 205-215. [ Google Scholar ] [ CrossRef ]
  22. کمیته فنی ISO/TC 211، اطلاعات جغرافیایی/ژئوماتیک. در ISO 19115:2003 اطلاعات جغرافیایی — فراداده ; ISO: ژنو، سوئیس، 2003.
  23. کمیته فنی ISO/TC 211، اطلاعات جغرافیایی/ژئوماتیک. در ISO/TS 19139:2007 اطلاعات جغرافیایی — فراداده — پیاده سازی طرحواره XML ; ISO: ژنو، سوئیس، 2007; پ. 111.
  24. کمیته فنی ISO/TC 211، اطلاعات جغرافیایی/ژئوماتیک. در ISO 19113:2002 اطلاعات جغرافیایی — اصول کیفیت ; ISO: ژنو، سوئیس، 2002.
  25. دی، ال. یو، پی. راماپریان، هنگ کنگ؛ کینگ، RL منشأ داده های علوم زمین: یک مرور کلی. IEEE Trans. Geosci. Remote Sens. 2013 , 51 , 5065–5072. [ Google Scholar ] [ CrossRef ]
  26. آگیلار، آر. پان، جی. گریس، سی. سان گیل، آی. سیستم ویرایش و مدیریت فراداده آنلاین Palanisamy، GA Fxible. Ecol. آگاه کردن. 2010 ، 5 ، 26-31. [ Google Scholar ] [ CrossRef ]
  27. آدیتیا، تی. Kraak، MJ رابط جستجو برای SDI: پیاده سازی و ارزیابی استراتژی های تجسم ابرداده. ترانس. GIS 2007 ، 11 ، 413-435. [ Google Scholar ] [ CrossRef ]
  28. سرسبز، وی. باستین، ال. Lumsden, J. توسعه برچسب GEO: ارائه جامعه GIS با ابزارهای تصویرسازی ابرداده با کیفیت. در مجموعه مقالات بیست و یکمین تحقیق GIS، لیورپول، انگلستان، 3 تا 5 آوریل 2013.
  29. Ahonen-Rainio، P. تجسم فراداده های مکانی برای انتخاب مجموعه داده های جغرافیایی. Ph.D. پایان نامه، دانشگاه فناوری هلسینکی (TKK)، اسپو، فنلاند، 2005. [ Google Scholar ]
  30. سویانو، ای. نینیرولا، ام. زبالا، ع. باستین، ال. Masó, J. QualityML: دیکشنری برای کدگذاری فراداده با کیفیت . EGU: مونیخ، آلمان، 2014. [ Google Scholar ]
  31. ویلیامز، ام. کورنفورد، دی. Bastin, L. توصیف و ارتباط عدم قطعیت در وب معنایی. در مجموعه مقالات هفتمین کنفرانس بین المللی وب معنایی استدلال عدم قطعیت برای کارگاه وب معنایی، کارلسروهه، آلمان، 26 اکتبر 2008.
  32. بیگاگلی، ال. Nativi, S. (Eds.) NetCDF Conventions Uncertainty Conventions (NetCDF-U) OGC Discussion Paper ; OGC 11-163; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2013.
  33. Lupp, M. Styled Layer Descriptor Profile of the Web Map Service Implementation Specification ; OGC 05-078r4; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2007. [ Google Scholar ]
  34. IPCC تغییرات آب و هوا 2013: پایه علوم فیزیکی. مشارکت گروه کاری I در پنجمین گزارش ارزیابی هیئت بین دولتی تغییرات آب و هوایی . Stocker، TF، Qin، D.، Plattner، G.-K.، Tignor، M.، Allen، SK، Boschung، J.، Nauels، A.، Xia، Y.، Bex، V.، Midgley، PM، ویرایش. انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 2013. [ Google Scholar ]
  35. Teuling، AJ; استوکلی، آر. نقشه های رنگی Seneviratne، SI Bivariate برای تجسم داده های آب و هوا. بین المللی جی.کلیماتول. 2011 ، 31 ، 1408-1412. [ Google Scholar ] [ CrossRef ]
  36. Pebesma، EJ; de Kwaadsteniet، JW نقشه برداری کیفیت آب های زیرزمینی در هلند. جی هیدرول. 1997 ، 200 ، 364-386. [ Google Scholar ] [ CrossRef ]
  37. Pons, X. MiraMon.Sistema d’Informació Geogràfica and Software de Teledetecció Center de Recerca Ecològica and Aplicacions Forestals ; CREAF: Bellaterra، اسپانیا، 2000. [ Google Scholar ]
  38. دمنده، JD; هاینز، ک. سانتوخی، ا. Liu, CL GODIVA2: تجسم تعاملی داده های محیطی در وب. فیلوس ترانس. R. Soc. A 2009 , 367 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. بلوور، جی. یانگ، ایکس. ماسو، جی. Thum, S. OWS 9 کیفیت داده ها و گزارش مهندسی نقشه برداری وب ; OGC 12-160r1; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  40. Baumann, P. (Ed.) Web Coverage Service Interface Standard-Core, Version 2.0.1 ; OGC 09-110r4; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2012.
  41. Baumann, P. (Ed.) GML Application Schema—Coverages, Version 1.0.1 ; OGC 09-146r2; کنسرسیوم فضایی باز: Wayland، MA، ایالات متحده آمریکا، 2012.

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370