Карты по охвату территории классификация: Виды карт — урок. География, 5 класс.

Классификация карт — Изображение Земли — География — наука о Земле — Каталог статей

Все многообразие географических карт можно систематизировать по следующим признакам: по содержанию, масштабу, назначению, по охвату территории.

Географические карты подразделяются на следующие категории (см. схему «Классификация географических карт»):

По территориальному охвату

—  карты мира;

—  карты материков;

—  карты стран и регионов

По масштабу

—  крупномасштабные (начиная с 1:200000 и крупнее) — создаются в результате обработки аэрофотоснимков и при непосредственной съемке местности;

—  среднемасштабные (от 1:200000 и до 1:1000000 включительно) — создаются по крупномасштабным картам путем генерализации;

—  мелкомасштабные (мельче 1:1000000) — предназначены для изучения больших территорий и часто используются в качестве основы для тематических карт. 

Отличные по масштабу карты имеют разную точность и детальность изображения, степень генерализации и разное назначение.

По назначению

—  научно-справочные — предназначены для выполнения научных исследований и получения максимально полной информации;

—  культурно-образовательные — предназначены для популяризации знаний, идей;

—  учебные — используются в качестве наглядных пособий для изучения географии, истории, геологии и других дисциплин;

—  технические — отображают объекты и условия, необходимые для решения каких-либо технических заданий;

—  туристические — могут содержать: населённые пункты, ориентиры, достопримечательности, маршруты передвижения, места отдыха, ночёвок и других услуг, в зависимости от предназначения по видам туризма;

—  навигационные (дорожные) и др.

По содержанию

Общегеографические карты — изображают все географические явления, в том числе рельеф, гидрографию, растительно-почвенный покров, населённые пункты, хозяйственные объекты, коммуникации, границы и т. д. Общегеографические крупномасштабные карты, на которых изображены все объекты местности, называются топографическими, среднемасштабные общегеографические карты — обзорно-топографическими, а мелкомасштабные общегеографические карты — обзорными.

Тематические карты —  с большей подробностью передают один или несколько определенных элементов, в зависимости от темы карты. Показывают расположение, взаимосвязи и динамику природных явлений, населения, экономики, социальную сферу. Их можно разделить на две группы: карты природных явлений и карты общественных явлений. 

o    Карты природных явлений охватывают все компоненты природной среды и их комбинации. В эту группу входят карты геологические, геофизические, карты рельефа земной поверхности и дна Мирового океана, метеорологические и климатические, океанографические, ботанические, гидрологические, почвенные, карты полезных ископаемых, карты физико-географических ландшафтов и физико-географического районирования и т. д.

o    Общественно-политические карты включают карты населения, экономические, политические, исторические, социально-географические, причём каждая из подкатегорий в свою очередь может содержать собственную структуру разделения. Так, экономические карты включают также карты промышленности (как общие, так и отраслевые), сельского хозяйства, рыбной промышленности, транспорта и связи и т. д.

Классификация карт

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«Удмуртский государственный университет»

Географический факультет

Кафедра геодезии и геоинформатики

Гр. 22-11

Мошков Леонид Сергеевич

КЛАССИФИКАЦИЯ КАРТ

Курсовая работа

Научный руководитель:

к.г.н., доцент Перевощиков А.А.

ИЖЕВСК 2011

Содержание

Введение

…………………………………………………………………….…………3

Глава 1. Географическая карта……. ……………………………………..……..5

1. 1. Термин и определения…………………………………………………. —

   2. Элементы карты…………………………………………………………6

   3. Свойства карты…………………………………………………………7

Глава 2. Классификациягеографических карт……………………………….10

2.1. Принципы классификации карт………………………………………..-

2.2. Классификация карт по масштабу и пространственному охвату……-

2.3. Классификация карт по содержанию…………………………………11

Глава III.Практическое использование географических карт

……………..13

3.1. Основные направления использования тематических карт……………-

3.2. Использование карт, различных по охвату территории……………15

3.3. Назначение мелкомасштабных карт…………………………………16

Глава IV. Использование классификации карт в школьном курсе географии……………………………………………………………………………17

Заключение…………………………………………………………………………21

Список литературы……………………………………………………………….22

Приложения

Введение

Понятие географической карты только как чертежа земной поверхности недостаточно, так как географические карты могут отображать самые разнообразные природные и социально-экономические явления.

Множество, и разнообразие географических карт вызывает необходимость их классификации, т.е. распределения карт на группы (виды) по тем или иным признакам. Для того чтобы ориентироваться в огромном массиве карт всевозможных видов, типов и содержания, изданных в разное время была придумана классификация карт.

Классификация карт – это система, представляющая совокупность карт, подразделяемых (упорядоченных) по какому-либо избранному признаку.

Научная классификация карт имеет огромное практическое значение:

— облегчает изучение свойств и закономерностей, присущих отдельным видам карт;

— находит отражение в организации картографического производства и способствует его рациональной постановке;

— необходима для каталогизации карт, их систематического размещения и хранения;

— наконец, что особенно важно для картохранилищ, облегчает поиск нужных карт и выдачу их потребителям.

Целью данной работы является углубление знаний о многообразии географических карт и их назначении.

Достижение цели возможно через решение следующих задач:

1. Ввести понятие «географическая карта».

2. Ознакомить с основными элементами и свойствами географических карт.

3. Рассмотреть принципы классификации географических карт.

4. Показать различие карт по пространственному охвату, масштабу, содержанию.

5. Углубить знания о направлениях использования различных видов географических карт.

6. Показать возможности использования классификации карт в школьном курсе географии.

Объектом изучения является географическая карта, предметом –классификация географических карт.

При подготовке работы были использованы следующие методы исследования:

1. Описательный.

2. Сравнительный.

3. Системно-структурный.

4. Картографический.

5. Метод анализа.

В основу работы положены труды А.М. Берлянта и К.А. Салищева. Кроме этого были использованы учебники и атласы школьного курса географии, а также учебно-методическая литература под редакцией В.И. Сиротина

Глава I. Географическая карта

1. 1. Термин и определение

Термин «карта» появился в средние века, в эпоху Возрождения, до этого употреблялись слова «tabula»и «descriptionis» (изображение). Этот термин происходит от латинского «charta» (лист, бумага).

В России карта изначально называлась «чертежом», что означало изображение местности чертами, черчением, и лишь в эпоху Петра I появился сперва термин «ландкарты», а потом – «карты».

В Толковом словаре В. Даля (1881 г.) карта определяется именно как «чертеж какой-либо части земли, моря, тверди небесной».

Сейчас слово «карта используется во многих языках мира». Во фрнацузском – carte, немецком – Karte, итальянском и португальском – carta, голландском – kaart, шведском – karta, датском – kort, турецком – harita. Но не менее распространен термин, производный от латинского слова «mappa», что означает кусок полотна: в английском – языке – mar, испанском – mara, польском, чешском, словацком – mara. В некоторых языках применяют оба термина, например, в английском – термином «chart» обозначают морские и аэронавигационные карты, в испанском – слово «carta» используется для планов, морских и астрономических карт.

Международный Многоязычный словарь технических терминовкартографии (1973 г.) дает следующее определение карты: уменьшенное, обобщенное изображение поверхности Земли, других небесных тел или иной небесной сферы, построение по математическому закону на плоскости и показывающее посредством условных знаков размещение свойств объекта.

Отечественные государственные стандарты, энциклопедические издания, справочники и учебники по картографии содержат несколько иные трактовки, хотя часто они лишь редакционно, акцентируя внимание на тех или иных свойствах картографического изображения. По мере появления новых видов карт, например электронных изображений на экранах компьютеров, предпринимаются попытки изменить прежние дефиниции с учетом новых свойств и особенностей карт.

Наиболее общее и традиционное определение таково:

Карта – это математически определенное, уменьшенное, генерализованное изображение поверхности Земли, другого небесного тела или космического пространства, показывающее расположенные или спроецированные на них объекты в принятой системе условных знаков [2].

1. 2. Элементы карты

Элементы карты – это составные части, включающие само картографическое изображение, легенду и зарамочное оформление (приложение 1).

Основной элемент – картографическое изображение, т.е. содержание карты, совокупность сведений об объектах и явлениях, их размещении, свойствах, взаимосвязях, динамике. Общегеографические карты имеют следующее содержание: населенные пункты, социально-экономические и культурные объекты, пути сообщения и линии связи, рельеф, гидрографию, растительность и грунты, политико-административные границы.

На тематических и специальных картах различают две составные части картографического изображения. Во-первых, это географическая основа, т.е. часть содержания, которая служит для нанесения и привязки элементов тематического или специального содержания, а также для ориентировки по карте. Во-вторых, тематическое или специальное содержание (например, геологическое строение территории или навигационная обстановка).

Важнейший элемент карты – легенда, система использованных на ней условных обозначений и текстовых пояснений к ним. Для топографических карт составлены специальные таблицы условных знаков. Они стандартизированы и обязательны к применению на всех картах соответствующего масштаба. На большинстве тематических карт обозначения не унифицированы, поэтому легенду размещают на самом листе карты. Она содержит разъяснения, истолкование знаков, отражает логическую основу и иерархическую соподчиненность картографируемых явлений. На сложных картах для повышения информированности легенды ее иногда представляют в табличной форме. Тогда по строкам дается один показатель (например, генетическая характеристика объекта), а по столбцам – другой (например, морфологические особенности этого объекта).

Картографическое изображение строится на математической основе, элементами которой являются координатные сетки, масштаб и геодезическая основа. На мелкомасштабных картах элементы геодезической основы не показываются. С математической основой тесно связана и компоновка карты, т.е. взаимное размещение в пределах рамки самой изображаемой территории, название карты, легенды и других данных.

Вспомогательное оснащение карты облегчает чтение и пользование ею. Оно включает различные картометрические графики (например, на топографической карте помещают шкалу крутизны для определения углов наклона), схемы изученности картографируемой территории и использованных материалов, разнообразные справочные сведения. К дополнительным данным относятся карты-врезки, фотографии, диаграммы, графики, профили, текстовые и цифровые данные. Они не принадлежат непосредственно картографическому изображению или легенде, но тематически связаны с содержанием карты, дополняют и поясняют его (приложение 1) [2].

1. 3. Свойства карты

Карты как модели действительности обладают ценными свойствами. Важное свойство картографической модели – абстрактность. Любая карта, особенно мелкомасштабная, представляет собой научную абстракцию. Этому в наибольшей степени способствует картографическая генерализация, при которой происходит отбор, обобщение, идеализация картографируемых объектов, исключение незначительных и малосущественных для данной карты деталей, акцентирование внимание на главных чертах.

Другое важное свойство картографической модели –избирательность. Это означает, что на карте можно раздельно (избирательно) представить отдельные явления и процессы, которые в реальной действительности проявляются совместно. Например, из всех факторов, формирующих климат территории, можно выбрать только осадки и изобразить на карте их распределение, оставив за пределами карты характеристику атмосферного давления, фронтов, температур и других факторов.

Карты обладают не только избирательностью, но и синтетичностью. Иначе говоря, они обеспечивают целостное изображение явлений и процессов, которые в реальных условиях проявляются изолированно. Например, карта может дать общую, синтетическую характеристику развития страны, которая складывается из ряда факторов: уровня промышленного развития, сельскохозяйственного развития, национального дохода, наличия природных и трудовых ресурсов.

Масштаб и метричность – наиболее известные свойства карты. Наличие масштаба, шкал и градаций условных обозначений позволяет выполнять по картам всевозможные измерения координат, высот, объемов, площадей и многих других характеристик явлений. Именно благодаря своим метрическим свойствам карты служат основой для создания математических моделей географических явлений.

Математический закон построения карт проявляется в таких важных свойствах, как однозначность и непрерывность картографического изображения. Любой точке на карте соответствует только одна точка на земной поверхности, а всякий знак, помещенный в этой точке, имеет лишь одно значение, четко зафиксированное в легенде. Карта «не терпит пустоты» — в этом находит свое отражение свойство непрерывности карты, которое отличает ее от многих других географических моделей. Однако, непрерывность картографического изображения является большим достоинством лишь в случае хорошей изученности территории.

Важнейшее свойство картографической модели – ее наглядность, которое позволяет охватить явления во всей целостности и сложности, со всеми закономерными и случайными деталями.

Самое специфическое свойство карты – ее обзорность, позволяющее охватить единым взглядом обширные пространства. Именно этому свойству карты география и геология обязаны открытиям регионального и планетарного масштаба.

Особенно ценные для географии свойства картографической модели еегеометрическое подобие и географическое соответствие. Геометрическое подобие означает точную передачу форм и размеров картографируемого явления в пределах возможностей данного масштаба и данной проекции. Благодаря этому свойству можно получить представление о взаимном положении, территориальном соподчинении и величине исследуемых явлений, т.е. их пространственной структуре. Географическое соответствие подразумевает научно обоснованное изображение на картах явлений и взаимосвязей, их главных типичных особенностей, с учетом истории развития и внутренней структуры.

Карта располагает информационными возможностями или большой информационной емкостью. Информация, которую несет карта, определяется ее содержанием. Она проявляется не только в виде «нагрузки» карты различными условными обозначениями, но и в скрытом виде, через отношения между изображаемыми явлениями. Именно эта скрытая, «неявная» информация часто представляет наибольший интерес.

Таким образом, отмеченные выше свойства карты как модели действительности переплетены друг с другом и даже могут быть выведены одно из другого. Так же как и основные элементыучитываются при классификации географических карт[3].

Глава II. Классификация географических карт

2. 1. Принципы классификации карт

Для того, чтобы ориентироваться в огромном массиве карт, всевозможных видов, типов и содержании, изданных в разное время и в разных странах мира, необходимо их классифицировать и упорядочить.

Классификация необходима для инвентаризации и хранения карт, составления списков и каталогов, научной систематизации и поиска карт, создания банков и картографических информационно-справочных систем.

Всякая классификация должна удовлетворять определенным требованиям:

1. Классы карт должны выделяться по существенным признакам.

2. Классификация должна быть последовательной, т.е. постепенно переходить от общего к частному.

3. На каждом уровне деления следует выбирать только одно основание классификации.

4. Классификация должна быть полной, отдельные ее подразделения в совокупности должны охватывать всю систему карт в целом.

5. Классификация должна обладать резервностью, т.е. способностью включать вновь появляющиеся виды (классы) карт[2].

Карты можно разделить на группы по разным признакам, основными из которых являются охват территории, масштаб и содержание (приложение 2).

2. 2. Классификация карт по масштабу и пространственному охвату

По масштабу карты делят на четыре основные группы:

• Планы – 1:5000 и крупные;

• Крупномасштабные – 1:10000 – 1:200000

• Среднемасштабные – 1:200000 до 1:1000000 включительно;

• Мелкомасштабные – мельче 1:1000000. [5]

В такой большой стране, как наша, мелкомасштабные карты охватывают регионы или их части, среднемасштабные – области, а крупномасштабные – районы, города или городские районы.

По пространственному охвату в качестве наиболее крупного подразделения выделяют карты Солнечной системы и звездного неба, затем – карты планет, в том числе Земли. Далее идут карты крупнейших планетарных структур – для Земли это карты материков и океанов, а после этого возможны разветвления классификации:

— по административно-территориальному делению;

— по природным районам;

— по экономическим регионам;

— по естественно-историческим областям (приложение 3).

2.3. Классификация карт по содержанию

По содержанию карты делятся наобщегеографические, тематические и специальные.

Общегеографические – это карты, отображающие совокупность местности, имеющие универсальное многоцелевое применение при изучении территории, ориентировании на ней, решении научно-практических задач. На общегеографических картах показу всех элементов уделяется равное внимание, изображая все объекты, видимые на местности. Дальнейшая классификация почти полностью совпадает с их делением по масштабу:

1. Топографические – в масштабах 1:100000 и крупнее.

2. Обзорно-топографические – в масштабах 1:200000 – 1:1000000.

3. Обзорные – мельче 1:1000000.

Тематические карты. Это наиболее обширная и разнообразная категория карт природных и общественных явлений, их сочетаний и комплексов. Содержание карт определяется той или иной конкретной темой. Группа карт природы охватывает карты литосферы, гидросферы, атмосферы и биосферы (приложение 4).

Карты общественных явлений охватывают социосферу и техносферу. Их тематика отличается большим разнообразием: население, экономика и хозяйство, наука, образование и культура, обслуживание и здравоохранение, общественные движения, религия и политика, археология и история развития общества и многое другое. Эта группа стран постоянно расширяется за счет все новых и новых тем, характеризующих общество со всеми прогрессивными и негативными аспектами его развития (приложение 5).

Специальные карты. Карты этой группы предназначены для решения определенного круга задач. Чаще всего это карты технического назначения:

— навигационные карты

— кадастровые карты;

— технические карты;

— проектные карты.

К числу специальных можно отнести, например, карты учебные, агитационно-просветительские, экскурсионные, спортивные и некоторые другие. иногда в основание для подобной классификации кладут назначение карты. Однако не всегда легко провести границу между картами разного назначения и картами тематическими и общегеографическими, которые благодаря своей многофункциональности могут использоваться в качестве учебных или экскурсионных, например. Особую группу составляют тактильные (осязательные ) карты для слепых и слабовидящих.

Таким образом, классифицировать географические карты можно по разным признакам. Но удельный вес карт, особенно тематических, растет. Это сильно затрудняет классификацию. Особую сложность для классификации представляют явления, которые не могут быть целиком отнесены к какой-либо сфере, а принадлежат сразу к двум или нескольким сферам. Очевидна необходимость выделения особой природно-общественной сферы, характеризующей взаимодействие природы, населения и хозяйства (например, эколого-географические карты, природно-технические карты).

Глава III. Практическое использование географических карт

3.1. Основные направления использования тематических карт

Карты применяются в науках о Земле для решения самых разнообразных задач. Сейчас трудно назвать какое-либо изыскание в географии, геологии, планетологии, которое обходилось бы без карт. Поэтому перечислить все направления использования карт означало бы дать полный перечень исследовательских задач решаемых в науках о Земле. Впрочем, такой перечень никогда не будет полным.

Геологические карты используются для познания глобальных, региональных и локальных особенностей строения земной коры, происходящих в ней процессов, поиска полученных ископаемых и т.д.

Геофизические карты используются для изучения геодинамических явлений и процессов, протекающих в оболочках планеты и в ее ядре, для поисков и разведки полезных ископаемых. По сейсмическим картам определяют расположение качественных и количественных характеристик землетрясений, а также сопутствующие явления.

Карты рельефа используют для изучения морфологии, генезиса, возраста и динамики рельефа суши и морского дна.  По картам рельефа определяются глубины и густоты расчленения, овражности, озерности, закарстованности территории, крутизны, длины, экспозиции и освещенности склонов, кривизны и асимметрии разного порядка, остаточного рельефа, продольных профилей речных долин и их деформаций.

Климатические карты используются, прежде всего, для анализа и прогноза климата территорий и его элементов по месяцам, сезонам, годам, климатическим периодам, эпохам. По климатическим картам получают картометрические и математико-статические характеристики климатообразующих факторов, термического режима, увлажнения, ветрового режима, атмосферных явлений.

Гидрологические карты применяются для изучения распределения режима, состава и свойств поверхностных вод суши, водного баланса и оценки водных ресурсов, прогноза опасных гидрологических явлений, исследования руслового режима рек, изучения влияния стока на интенсивность эрозионных процессов. В числе новых направлений использования гидрологических карт следует отметить изучение малых рек и малых водосборов, динамики водных потоков и водохранилищ.

Океанологические карты. Использование тематических карт для изучения мирового океана – одна из самых актуальных областей применения картографического метода исследования. При помощи океанологических карт изучают состояние и динамику природы океана, анализируют взаимодействие океана с другими оболочками Земли; используют для освоения минеральных и биологических ресурсов моря, охраны среды океана, мониторинга различных видов загрязнения.

Карты почв. Основные направления практического применения карт связаны с кадастровым учетом почвенных ресурсов, экономической оценкой почв, разработкой агрономических мероприятий и мелиорацией, борьбой с почвенной эрозией.

Карты растительности используются для инвентаризации и оценки растительных ресурсов, выявления связей растительности с главнейшими факторами окружающей среды, анализа возможностей сельскохозяйственного освоения территории, контроля состояния и динамики растительного покрова, степени ее нарушенности, разработки мер по охране растительного мира и всей окружающей среды.

Зоогеографические карты применяются для инвентаризации, изучения размещения, миграции животных, их связей со средой обитания, для разработки мер по охране и воспроизводству животного мира.

Ландшафтные карты. Ландшафтным картам принадлежит ведущая роль в комплексных исследованиях природы и взаимодействия человека с окружающей средой.

Социально-экономические карты используются в науках о Земле и при разработке проектов освоения ресурсов Мирового океана, для экономической оценки ресурсов, планирования мер по их охране и воспроизводству, развитию и размещению воспроизводства, добыче полезных ископаемых на шельфе и т.д.

1. 2. Использование карт, различных по охвату территории

На картах мира и полушарий земная поверхность изображается обобщенно и схематично, с большими искажениями очертаний материков и их размеров, поэтому они непригодны для точных измерений. Их используют для изучения взаимного положения материков, океанов и морей, расположения стран, крупных городов, рек и гор.

Более подробно большие территории можно изучать по картам материков и отдельных стран. Масштабы этих карт крупнее, и географические объекты на них изображают детальнее, чем на картах мира. Кроме того, они имеют меньшие искажения, и их можно использовать для приближенных измерений расстояний, площадей и углов.

Наиболее детально земная поверхность изображается на топографических картах. Их составляют отдельными листами, на каждом из которых отображают сравнительно небольшую территорию.

Топографические карты служат основным источником информации о местности и используются для ее изучения, определения расстояний и площадей, дирекционных углов, координат различных объектов и решения других измерительных задач. Они широко применяются при управлении войсками, а также в качестве основы для боевых графических документов и специальных карт. Топографические карты (преимущественно масштаба 1: 100 000 и 1: 200 000) служат основным средством ориентирования на марше и в бою.

Топографическая карта масштаба 1:25 000 предназначается для детального изучения местности, а также для производства точных измерений и расчетов при строительстве инженерных сооружений, форсирования водных преград и в других случаях.

Топографические карты масштаба 1: 50 000 и I: 100 000 предназначаются для изучения и оценки местности командирами и штабами при планировании и подготовке боевых действий, управления войсками в бою, для определения координат огневых (стартовых) позиций, средств разведки и целей, а также для измерений и расчетов при проектировании и строительстве военно-инженерных сооружений и объектов.

Топографическая карта масштаба 1:200 000 предназначается для изучения и оценки местности при планировании и подготовке боевых действий всех видов Вооруженных Сил и родов войск, управления войсками в операции (бою) и планирования передвижения войск.

Топографические карты масштаба 1: 500 000 и I: 1 000 000 предназначаются для изучения и оценки общего характера местности при подготовке и ведении операций, а также используются авиацией в качестве полетных карт.

1. 2. Назначение мелкомасштабных карт

Мелкомасштабные карты составляют для больших территорий — района и области, они необходимы для учета земельного фонда и планирования сельского хозяйства.

Открытие крупнейших нефтяных и газовых месторождений в центральных и северных районах Западно-Сибирской плиты и их промышленное освоение потребовали различной инженерно-геологической информации и, в первую очередь, мелкомасштабных карт. Основным обозначением скважины является кружок диаметром 3 мм, который затем дополняют элементами условных знаков скважин в зависимости от категории скважины и ее состояния. Для мелкомасштабных карт допускается уменьшение диаметра основного кружка, но с сохранением дополнительных конфигураций соответственно категории скважины и ее состоянию.

Таким образом, различные виды карт находят широкое применение в хозяйственной деятельности человека.

Глава IV. Использование классификация карт

в школьном курсе географии

Содержательный минимум образования и требования к выпускникам общеобразовательных учреждений в новом образовательном стандарте по географии предусматривают формирование у всех учащихся умений работать с различными видами географических карт в процессе изучения школьной географии на всех ступенях обучения. Школьники должны научиться одинаково успешно работать с картами разных масштабов и назначений: уметь пользоваться и картой автомобильных дорог, и топографической картой конкретной местности, и картой отдельного региона или страны, и политической картой мира.

Если сравнить содержание ныне действующих учебных программ и учебников географии с программами и учебниками, действовавшими до начала 90-х годов прошлого века, то можно легко убедиться в том, что внимание к формированию практических умений работать с картами существенно ослабло. Как-то незаметно (вместе с действительно ненужными для учащихся знаниями об этапах развития геосинклинали, энергопроизводственных циклах, технологиях производства тех или иных конструкционных материалов) из географии выпали понятия о картографических проекциях, о топографической карте, снизилось внимание к формированию приемов работы с географическими картами.

Существенно сократилось количество практических работ с атласом и контурной картой, сведены на нет экскурсии с целью вычерчивания плана местности, осуществления маршрутной съемки, изучения особенностей размещения конкретных предприятий своей области и т. д. Мало внимания уделяется в процессе изучения географии классификации географических карт, особенностям различных видов карт. Ознакомление учащихся с этими вопросами на одном-двух уроках в 7-м классе в новых требованиях представляется совершенно недостаточным. Считается целесообразным возвращение к изучению этой важнейшей темы на всем протяжении изучения географии в школе.

В 6-м классе развиваются и конкретизируются те представления о картах, которые школьники получили в начальной школе на уроках по окружающему миру и в 5-м классе на уроках природоведения. При формировании понятия «масштаб» в 6-м классе изучаются различные виды масштабов: численный, линейный и именованный. Именно на этом этапе обучения будет правильным и своевременным показать, как классифицируются по масштабу географические карты. При этом важно привести примеры крупномасштабных (1 : 10 000 — 1 : 100 000), среднемасштабных (1 : 200 000 — 1 : 1 000 000) и мелкомасштабных карт (мельче 1 : 1 000 000), показать учащимся планы и карты, соответствующие этим масштабам, предложить учащимся сравнить территории и условные знаки на этих планах и картах. Полезны будут задания по выбору масштаба для построения плана пришкольного участка, для изображения на карте района, в котором находится школа и т.п. Целесообразно предложить учащимся самим подобрать условные знаки для использования в каждой из этих различающихся по масштабу карт.

В 7-м классе после повторения уже изученной в 6-м классе темы классификации карт по масштабу более подробно рассматривается величина той территории, которая отражена на различных по масштабу географических картах. Таким образом,осуществляется постепенный переход к классификации карт по охвату территории. Выделяютсямировые карты, карты материков, частей света и отдельных океанов, карты крупных регионов мира и отдельных стран.

В 8-м классе более детально и тщательно рассматривается дифференциация географических карт и по их содержанию. Дается определение, показываются различия между общегеографическими и тематическими картами. Подчеркивается важная особенность общегеографических карт: элементы земной поверхности — гидрографическая сеть, озера, населенные пункты, пути сообщения и т.д. — показываются равноправно, без явного выделения одного их них. Говоря об особенностях и назначении тематических карт важно выделить и показать различия физико-географических и социально-экономических карт. При этом сравнивается специальное содержание карт, отражающее природные или общественные процессы и явления окружающего мира.

Школьный географический атлас для 8-го класса содержит большое количество различных тематических карт, с которыми учащиеся работают в течение всего учебного года, выполняя практические и самостоятельные работы.

Таблица.

Тематические карты, используемые на уроках географии в 8 классе

№№

Название карты

Значение их для исследователя

I. Карты природы

1.

Геологические карты

Используют карты для познания глобальных геологических систем (литосферных плит, рифтовых зон), а также для поиска полезных ископаемых, оценки современных геологических процессов и опасных явлений.

2.

Геофизические карты

Используют для изучения геодинамических явлений и процессов, для поиска и разведки полезных ископаемых.

3.

Карты рельефа

Используют для изучения морфологии. Генезиса, возраста и динамики рельефа.

4.

Климатические

карты

Используют для анализа и прогноза климата территорий и его элементов.

5.

Гидрологические

карты.

Используют для изучения распределения, режима, состава и свойств поверхностных вод, суши, водного баланса и ресурсов территории.

6.

Океанологические

карты

Используют для изучения динамики природы океана, структур и рельефа дна, размеров акваторий, объемов водных масс и растворенных веществ, климата, биогеографии и т. д.

7.

Карты почв

Используют для изучения карстовых процессов почв, экономической оценки, агрономии и мелиорации, а также для освоения сельскохозяйственных территорий.

8.

Карты растительности

Используют для изучения растительных ресурсов и выявления связей растительности с факторами окружающей среды; динамики растительного покрова; сельскохозяйственного освоения.

9.

Зоогеографические

карты

Используются для изучения размещения, миграции животных, их связей со средой обитания, для разработки мер по охране и воспроизводству животного мира.

10.

Ландшафтные карты

Используются для комплексных исследований природы и взаимодействия человека с окружающей средой.

II. Социально-экономические карты

Используются при разработке проектов освоения ресурсов, планирования мер по их охране и воспроизводству, добыче полезных ископаемых, для реализации крупных научно-исследовательских программ и проектов.

В 9—10-х классах учащиеся уже учатся работать с различными социально-экономическими картами. Формируются знания о том, что социально-экономические карты отражают особенности размещения населения, предприятий, относящихся к различным отраслям народного хозяйства, сельскохозяйственного производства. Учащиеся приобретают навыки работы, как с отраслевыми, так и с общими экономическими картами. Социально-экономические карты, различные по охвату территории, помогают учащимся понять зависимость между специальным содержанием карты, ее масштабом и назначением карт.

Таким образом, учитывая важность формирования у всех учащихся хороших знаний по вопросу классификации карт, а также умений работать с каждой группой карт, необходимо в каждой параллели с 6 по 11 классы выделять специальные уроки по обобщению этих знаний и умений.

Заключение

«Карта есть начало и конец географического изучения, описания и выделения ландшафта», — писал Л. С. Берг.

Сфера использования карт как средства научного исследования быстро расширяется по мере общего нарастания темпов научного прогресса. Изменения, произошедшие в картографической науке в конце XX века, ее новая роль в обществе способствовали тому, что картографические знания и умения стали необходимы каждому человеку в быту и профессиональной деятельности.

Подобное огромное значение карт в современной науки и его постепенное расширение не может не сказываться на ее  значении в школьном образовании, знакомящим молодого человека  с этим изобретением человеческого гения. Важно убедить учащихся в том, что без географических карт и умений работать с различными тематическими картами, невозможно освоить важные современные профессии. Изучить географию и историю невозможно без учебных карт, морской и воздушный транспорт — без навигационных карт, автомобильный — без карты автодорог, туризм — без туристических справочных карт и планов городов, военные действия — без топографических карт специального назначения и т. д.

Как отмечает A.M. Берлянт «настало время расширить представления широкого круга людей о геоизображениях, начиная со школьной географии и естествознания. Современный человек должен уметь пользоваться атласами, картами, снимками, другими геоизображениями столь же привычно и свободно как книгами и компьютером».

Список литературы

1. Берлянт А.М. Карта – второй язык географии: (очерки о картографии). Кн. Для учителя. — М.: Просвещение, 1985. – 192 с., ил., карт.

2. Берлянт А.М. Картография: Учебник для вузов. – М.: Аспект Пресс, 2001. – 336с.

3. Берлянт А.М. Карта рассказывает. Пособие для учителей. М., « Просвещение», 1988. – 144 с. с ил.

4. География материков и океанов. 7 кл.: Атлас. – 10-е изд., испр. – М.: Дрофа; Издательство ДИК, 2006. – 56 с.: ил., карт.

5. География России. Население и хозяйство. 9 кл. Атлас. – 12 –е изд. испр. – М.: Дрофа; Издательство ДИК, 2008. – 48 с.: ил., карт.

6. География России. Природа. 8 кл.: Атлас. – 9-е изд., испр. – М.: Дрофа; Издательство ДИК, 2008. – 48 с.: ил., карт.

7. Географический атлас УР – М.: Издательство ДИК, 2000, 32 с: ил., карт.

8. Картография с основами топографии: Учеб. Пособие для студентов пед. Институтов по спец. «География» / Г.Ю. Грюнберг, Н.А. Лапкина, Н.В. Малахов, Е.С. Фельдан; под ред. Г.Ю. Грюнберга. – М.: Просвещение, 1991. – 368 с.: ил.

9. Коринская В.А. География материков и океанов. 7 кл.: учеб.для общеобразоват. Учреждений / В.А. Коринская, И.В. Душина, В.А. Щенев – 14-е изд., стереотип. – М.: Дрофа, 2007. – 318 с.: ил., карт.

10. Салищев К.А. Картография: Учебник для географических специальностей университетов, 3-е изд., перераб. И доп. –М.: Высшая школа, 1982 – 272с. , ил.

11. Салищев К.А. Картоведение. М.: Издательство московского университета, 1990. — 400 с.

12. Экономическая и социальная география мира. 10 кл.: Атлас. – Изд. 10-е, испр. М.: Дрофа; Издательство ДИК, 2006. – 40 с.: ил., карт.

Классификация карт

На первом Всесоюзном географическом съезде в 1933 г. ныне покойный заслуженный деятель науки почетный академик Ю. М. Шокальский начал свой доклад о гипсометрии Союза ССР следующими словами: «Карта — это такая вещь, которая нужна всем — ученому и колхознику, государственному деятелю и домашней хозяйке». Это определение правильно отразило значение карты в нашей повседневной жизни.

Действительно, карта нужна везде и всем. Но так же верно, что государственному деятелю, ученому, колхознику и т. д. нужны различные кварты, удовлетворяющие их специальные запросы. Разнообразие требований породило столь же разнообразные карты. Их классификация необходима как при изучении карт, так и при использовании их в практической деятельности.

Карты можно классифицировать по различным признакам. Важнейшие из них — это содержание карты, ее масштаб, охват территории и назначение карты.

В классификации по содержанию все карты делятся в первую очередь на общегеографические и специальные. Общегеографические карты содержат основные элементы географического ландшафта: природного ландшафта (моря, озера, речная сеть, рельеф, леса, болота, пески и т. п.) и культурного ландшафта (населенные пункты, пути сообщения и средства связи, различные сооружения и предприятия, границы и т. п.). Специальными картами называют: 1) карты, на которых один из элементов общегеографической карты (например, рельеф или дорожная сеть) изображен с особой полнотой и подробностью, тогда как остальные элементы отодвинуты на второй план и имеют подчиненный характер, 2) карты, содержащие помимо нагрузки общегеографических карт другие элементы, характеризующие некоторое определенное явление или группу явлений (например, геологическое строение местности, климат страны и т. п.).

Общегеографические карты различаются по масштабам, а специальные карты в зависимости от их содержания относятся к разделам физической, экономической или политической географии. Но это лишь первые ступени классификации. Например, физикогеографические карты в свою очередь подразделяются на карты, изображающие размещение различных элементов твердой оболочки земли (литосферы), водной оболочки (гидросферы), воздушной оболочки (атмосферы), растений и животных (биосферы) и т. п. Дальнейшее деление проиллюстрируем только на картах литосферы, среди которых мы находим карты рельефа, геоморфологические, геологические, почвенные, геофизические и некоторые другие. Внутри этих групп имеются свои разновидности. В частности к геологическим относятся карты собственно геологические, тектонические, полезных ископаемых и др. Приведенные примеры достаточно поясняют схему классификации карт по их содержанию.

Классификацию по масштабам применяют преимущественно для общегеографических карт.

Масштаб в известной мере предопределяет подробность карты: чем крупнее масштаб, тем она подробнее, но тем меньшее пространство земной поверхности на ней изображается.

Понятие о крупном и мелком масштабе условно. Топограф обычно считает уже мелким масштабом в 1 см 1 км (1:100 000), но в картохранилищах библиотек даже такие масштабы, как в 1 см 10 км (1:1000 000), относят к крупным. Однако существует классификация по масштабам, почти установившаяся теперь в картографии, по которой крупномасштабными считаются карты масштабов 1:200 000 и крупнее; среднемасштабные — карты мельче 1:200 000, до 1:1000 000 включительно; мелкомасштабными — карты мельче 1:1000 000. Крупномасштабные карты иногда называют топографическими; этот термин, определяющий важнейшие свойства и методы получения крупномасштабных карт, очень удачен. Топографической карте противопоставляются карты географические, к которым в узком применении последнего термина относят карты среднего и мелкого масштабов.

По охвату территории различают карты:

а) мировые, изображающие вою земную поверхность,

б) отдельных материков или океанов,

в) отдельных государств,

г) частей государства, например, в СССР карты отдельных республик, краев и областей, которые в свою очередь могут иметь дальнейшие подразделения.

Практическое значение может иметь также классификация карт по их назначению. Например, географическую карту одной и той же территории можно изготовить для определенного круга потребителей — для армии, туристов, для преподавания и т. д. Специальные карты иногда делят по назначению на научные, справочные и школьные, Первые уделяют особое внимание научному объяснению картируемых явлений, вторые стремятся дать возможно полный фактический материал, третьи отличаются простотой и рассчитаны на легкое усвоение. Конечно, границы такого деления довольно неопределенны, ибо нельзя сказать, что для научных карт безразлична полнота материала и его легкое восприятие, что для школьных карт не нужно научное объяснение явлений, и т. д.

Другие признаки, по которым иногда классифицируют карты: вид картографической проекции, способ издания, способ пользования (настольные карты, стенные и т. п.) и некоторые другие.

Географические карты — классификация, территория

Географические карты более пригодны для использования в обыденной жизни, чем глобусы. Географическая карта представляет собой обобщенное изображение на плоскости поверхности Земли, уменьшенное в размерах, причем для определения местоположения географических объектов используются условные знаки. С помощью карт изучают земную поверхность, а также природные и хозяйственные объекты. При составлении географических карт применяют топографические и геологические снимки местности, а также данные обработки и синтеза сведений из других источников.Применяется классификация географических карт по территориальному признаку, содержанию, предназначению и масштабу. По охвату территории различают карты мира, морей и океанов, материков, стран, областей, регионов. Наибольшим спросом пользуются общегеографические карты, на которые нанесены формы рельефа земной поверхности, гидрографические объекты, населенные пункты, границы стран. Все другие карты называются тематическими, так как на них подробно указаны определенные элементы из общегеографической карты, например, рельеф, климатические пояса, почвенный покров, дороги, распространение растений, т. д. По назначению карты делят на справочные, туристические, учебные, т.д. Существует классификация карт по масштабу. Выделяют крупномасштабные, выполненные в масштабах более 1:200000; мелкомасштабные, созданные в масштабах менее 1:1000000; среднемасштабные делают в масштабах от 1:200000 до 1:1000000. На крупномасштабных топографических картах масштаб является постоянной величиной на всех участках карты. Рельеф на данных картах обозначен в форме горизонталей, соединяющих точки на одной высоте над уровнем моря. На мелкомасштабных картах в любом случае появляются искажения площадей, углов и расстояний, так как нет возможности развернуть уменьшенную поверхность земного шара на одной плоскости. Поэтому при составлении карт прибегают к картографическим проекциям – специальным методикам развертки на плоскости земной поверхности. Картографические проекции Все картографические проекции по характеру искажений делят на равноугольные, равноплощадные, произвольные. С использованием равноугольных проекций сохраняются правильные контуры объектов, но искажаются величины площадей, равноплощадных проекций – наоборот, площади соответствуют действительности, но очертания искажены. Произвольные проекции допускают искажения как очертаний, так и площадей материков, океанов, др. Выбирают ту или иную проекцию в зависимости от положения и размеров изображаемой территории, назначения карты и ее содержания. По способу переноса градусной сети с глобуса на карту выделяют четыре типа картографических проекций: азимутальные, цилиндрические, конические и произвольные (условные). Похожие материалы:

Классификация географических карт По охвату территории:карта мира или карта материков,океанов и их частей или карта стран и их частей. По содержанию:общегеографическая или тематическая, По масштабу:крупномасштабная или среднемасштабная или мелкомасштабная, Напишите классификацию к картам:Строение земной коры,климатическая карта мира,Климатические пояса и области мира,почвенная карта мира,природные зоны мира,политическая карта мира,народы и плотность населения мира,Африка физическая карта,Африка комплексная карта,южная Америка физическая карта.

карта океановпо охвату территории-мирпо масштабу- мелкомасштабная(мельче 1:1 000 000)
по содержанию-тематическая
№2
по этой карте,мы можем узнать:
границу максимально распространения айсбергов
направление тёплых и холодных течений
зимнюю и летнюю границу плавучих льдов
отметки глубин
границы океанов
бассейны стока рек в океаны
глубину мест в океанах
увидеть самый крупный рельеф океанов(котловины,хребты)
проливы и моря
главные морские порты
сравнить запасы воды мир.океана,суши и в атмосфере
сравнить площадь океанов  характеристика физической карты мира 1. Физическая карта мира охватывает два Земных полушария со всеми географическими объектами.2. Масштаб физической карты мира 1: 47 000 000. 3. Физическая карта мира содержит в себе: все материки и океаны, их глубины; горы, равнины и впадины, их высоту над уровнем моря; страны, полуострова их границы и их столицы; острова и страны, которым они принадлежат; коралловые рифы;; моря и их течения; реки и из притоки; пустыни и их названия; озера; северный и южный полюса; меридианы и параллели, Гринвичский мередиан; знатоки и протоки; каналы; полярные станции.  Знания, которые мы можем получить с помощью карты велики и полезны. Они пригодится нам в дальнейшем. Это и расположения материков и стран; реки и озера местности; отдаленность от начального меридиана; столицы; высоту горных систем и кряжей; место нахождение того или иного географического объекта. Всё это мы можем получить лишь взглянув на физическую карту мира. 

Физические карты материков и океанов

география 7 класс карты материков и океанов роль карты в жизни человека карта важнейший источник географических знаний по ним можно определить где находится на земной поверхности тот или иной материк океан горы реки государства где какие народы проживают и так далее из карт можно получить основные сведения о природе население изучаемых территорий и его хозяйственной деятельности и что очень важно при работе с картой из возможность одновременно представлять всю поверхность земли видеть взаимное расположение и форма материков и океанов крупных островов расположение в горных систем отдельных стран мира и так далее карты помогают вы причиной размещения графических явлений например распределение последних остатков расположение сейсмических районов образование природных комплексов на планете зона пустынь экваториальных лесов а также причины обусловившие особенности быта хозяйственной деятельности людей различных странах и многое другое карта необходимо хозяйственной научной и культурной деятельности людей потребность в карте существовала на всех этапах развития человеческого общества карта не просто важнейший источник географических знаний это особое средство информации и и нельзя заменить не текстом не устной речью не рисунком не случайно она возникла раньше письменности виды карт процессе учебы и в дальнейшем жизни вы светитесь большим разнообразием карт чтобы правильно их использовать качестве важнейшего источника графической информации вам необходимо знать назначение и основные особенности карт карты можно разделить на группы по разным признакам основными из которых являются охват территории масштаб и содержание различия карт по охвату территории и масштабу охвату территории различают три группы карт мировые и карты полушарий карты материков и океанов а также крупных частей государств и их частей к первой группе относят карты на которых изображена вся земная поверхность целиком это может быть мировая карта или карта западного и восточного полушать во вторую группу включены карты изображающие как правило более крупные части земной поверхности а в третью менее крупные от охвата территории значительной степени зависит масштаб карты все географические карты по их масштаб делят на мелкомасштабные построенную масштабах мельче 1 миллиону средне масштабной имеющая масштаб от 200 тысяч до миллиона включительно и крупномасштабные построенную масштабах начиная от 200 тысяч и крупнее все карты учебника и атлас для 7 класса мелко масштабные из анализа видно чем больше размер территории тем мельче масштаб карт уменьшение масштаба карты уменьшается и подробность изображение и графических объектов и точность измерения по карте это свойственно и иным картам вот пожалуйста на этой карте изображена вся земля весь земной шар все страны все океаны это будет конечно же мелко масштабная карта вот здесь тоже пример мелкомасштабной карте изображены западное и восточное полушарие со всеми материками и частями света средняя масштабная карта на ней можно изобразить изобразить город и прилегающей к нему территории на данной карте вы видите изображена москва и прилегающие к ней города здесь уже не найдете дне океанов не америки и австралии итак это средний масштаб ну и крупномасштабная карта на ней можно найти не только город мой и улице если еще крупнее масштаб можно найти даже номера даму здесь масштаб 11 10 тысячам развлечения карпу содержания зависимости от содержания все карты подразделяют на общегеографические и тематические общегеографические карты отображают примерно с одинаковой подробности основные элементы местности и f реки и озёра растительность населенные пункты дороге границы и тому подобное общей географическим картам относят например топографические карты на которых территории показаны с большой подробностью вот посмотрите на этой карте изображен город омск и все прилегающие территории очень очень подробно на тематических картах наоборот изображают один или два компонента природа хозяйст население например рельеф воды климат почвы на общий географической карте эти компоненты или отсутствуют или недостаточно полно отражены содержание тематических карт определяется темой которые они посвящены например на почвенной карте показано размещение типов почв на климатической карте распределение температур осадков направление ветра остальные элементы этих карт крупные города реки и другое служит только фоном необходимо качестве ориентиров вот посмотрите это карта с изображением климатических поясов городов на ней обозначена очень мало рек тоже достаточно мало гор вообще на и не изображено потому что по этой карте люди изучают климат страны иногда на тематических картах показывают ни один или два а несколько разных но взаимосвязанных компонентов или явлений тогда их называют комплексными картами такие карты материков даны например в атласе для 7 класса вот посмотрите комплексная карта на ней изображены все материки и нашей земли соответственно все по iso климатические на всех материках сразу изображены дальше здесь изображены океаны и моря а соответственно и течение холодное и теплое течение изображены изображены траектории путешественников то есть вы видите что несколько разных взаимосвязанных компонентов или явлений изображено на тематической карте это чтобы вам было легче разобраться и привыкнуть ну а здесь уже карта всего земного шара причем физическая карта и свои вам удачи всего доброго и до свидания

Обзор данных о земном покрове | Геологическая служба США

<< Вернуться к земному покрову

Данные о наземных экосистемах и моделирование

Набор данных GAP/LANDFIRE National Terrestrial Ecosystems включает подробные данные о растительности и земном покрове для континентальной части Соединенных Штатов. Набор данных включает систему классификации Ecological System, разработанную NatureServe для представления естественной и полуестественной растительности. 584 уникальных класса в наборе данных могут отображаться на трех уровнях детализации, от общего (8 классов) до наиболее подробного.Набор данных можно использовать для определения тех мест в стране, где имеется достаточная среда обитания для поддержания дикой природы, что является ключевым шагом в разработке надежных планов сохранения.

Набор данных о национальных наземных экосистемах GAP/LANDFIRE в основном ориентирован на идентификацию местообитаний. Также доступна Национальная база данных земного покрова Геологической службы США (NLCD), которая предоставляет информацию об общих типах земного покрова с 16 классами земного покрова (например, освоенные территории с низкой интенсивностью, лиственные леса). Подробнее о NLCD 2011 >>

 

Почему эти данные важны?

Набор данных

GAP/LANDFIRE National Terrestrial Ecosystems предоставляет информацию о распределении типов местной растительности, модифицированной и интродуцированной растительности, развитых районах и сельскохозяйственных районах Соединенных Штатов. Во всех районах округа, кроме Гавайев и Пуэрто-Рико, участки естественной растительности классифицируются по типам экологической системы, разработанным NatureServe. Экологические системы предоставляют подробную информацию о растительных сообществах территории, которая недоступна в большинстве других региональных или национальных продуктов растительного покрова. Такой уровень тематической детализации делает возможным построение моделей распределения местообитаний диких животных, построение сложных моделей гидрологии и динамики пожаров, а также многие другие приложения.Информация о наземных экосистемах является ключевым компонентом эффективного планирования сохранения и управления биологическим разнообразием, поскольку она используется для построения прогностических моделей распределения диких животных и биоразнообразия на больших географических территориях. При использовании в сочетании с данными об охраняемых территориях (PAD-US) данные о наземных экосистемах можно использовать для определения типов местообитаний, которые могут быть недостаточно защищены, чтобы можно было скорректировать управленческую деятельность. Эти карты и данные можно использовать для определения тех мест в стране, где имеется достаточная среда обитания для поддержания дикой природы, что является ключевым шагом в разработке надежных планов сохранения.

 

Как используются данные национальных наземных экосистем

Информация о наземных экосистемах используется для разработки моделей, показывающих, где имеется подходящая среда обитания для видов позвоночных в стране. Эта информация важна для лиц, принимающих решения, планировщиков, исследователей, частных лиц и других лиц:

• Биоразнообразие : Данные национальных наземных экосистем являются ключом к тому, чтобы помочь лицам, принимающим решения по сохранению земель, лучше увязывать цели сохранения биоразнообразия с программами и мероприятиями по защите земель.
• Потеря среды обитания:  По прогнозам, население США вырастет на 25% в следующие 50 лет. Этот рост населения в сочетании с нашими моделями землепользования означает, что произойдет значительное сокращение среды обитания для других видов. Знание того, где расположены большие участки нетронутой среды обитания, является ключом к выбору наиболее эффективных земель для сохранения биоразнообразия, что, в свою очередь, может компенсировать некоторые последствия утраты среды обитания.
• Климат:  Ускорение изменения климата повышает важность целенаправленных усилий по защите видов.Для многих видов потепление климата может поставить их на грань вымирания, если только не будут выделены коридоры миграции среды обитания. Информация о земном покрове имеет решающее значение для понимания того, на чем сосредоточить внимание при планировании коридоров.
• Управление:  Агентствам и некоммерческим организациям, которые управляют охраняемыми территориями, часто не хватает полной информации о типах растительного покрова, которые могут присутствовать или могут быть восстановлены на их землях. Карты и данные о земном покрове имеют решающее значение для разработки усовершенствованных методов управления земельными ресурсами, поддерживающих сохранение биоразнообразия.

 

Описание данных

Цитата :  

Программа анализа пробелов Геологической службы США, 20160513, GAP/LANDFIRE National Terrestrial Ecosystems 2011: Геологическая служба США, https://doi.org/10.5066/F7ZS2TM0.

Обзор

Данные национальных наземных экосистем GAP/LANDFIRE представляют собой подробную классификацию растительности и земного покрова для континентальных США, Аляски, Гавайев и Пуэрто-Рико.Данные предоставляются в виде растра размером 30 м на 30 м. GAP/LF 2011 Ecosystems for the Conterminous U.S. — это обновление данных о земном покрове Национальной программы анализа пробелов — версия 2.2. Экосистемы Аляски были обновлены LANDFIRE до условий 2012 года (LANDFIRE 2012). Данные по Гавайям и Пуэрто-Рико относятся к 2001 г. (Гон и др., 2006 г., Гулд и др., 2008 г.). Схема классификации, используемая для Аляски и 48 нижних штатов, основана на классификации экологических систем NatureServe (Comer et al. 2003), в то время как легенда карты Пуэрто-Рико и Гавайских островов основана на системах классификации конкретных островов (Gon et al. 2006, Gould et al. 2008).

КОНУС 2011 Обновление

Процесс этого обновления был протестирован и задокументирован для трех из девяти географических областей на территории США (McKerrow et al. 2014). Эти георайоны являются совокупностью 66 консорциума по характеристикам земель с несколькими разрешениями (зоны картирования MLRC, которые использовались NLCD, GAP и LANDFIRE в качестве картографических зон в их национальных усилиях по картированию в 2001 году (Homer et al.2004). Для каждой географической области операция ArcGIS Combine использовалась для создания уникальных комбинаций пикселей из данных National GAP Vegetation за 2001 г. (USGS GAP 2011), NLCD за 2011 г. (Homer et al. 2015) и данных о нарушениях LANDFIRE за 2010 г. (Nelson et al. 2013). ). Эти комбинации затем оценивались по изображениям с высоким разрешением, чтобы определить те, которые необходимо обновить либо из-за изменения наземных условий, либо из-за уточнения первоначальной классификации.

Метка NLCD 2011 была принята в обновленный слой GAP/LF 2011 Ecosystems для пропашных культур, пастбищ/сенов, воды и четырех разработанных классов растительного покрова без дальнейшего изучения.Метка класса GAP 2001 года сохранялась, если она соответствовала общему классу земного покрова NLCD. Например, для пикселей, обозначенных как сухая атлантическая прибрежная равнина и сухой-мезикский дубовый лес на карте GAP 2001 года, которые были нанесены на карту как лиственный лес на карте NLCD 2011 года, исходный вызов экологической системы 2001 года остался без изменений. Для комбинаций, в которых класс покрытия NLCD 2011 не был постоянным, мы использовали информацию о растительности и нарушениях LANDFIRE, чтобы обозначить эту уникальную комбинацию. Изображения высокого разрешения из базовых карт Google Earth или ArcGIS использовались в качестве эталонных изображений для присвоения обновленного класса покрытия 2011 года.Например, внутренние северо-западные комбинации типа леса на карте GAP 2001 г. и кустарника на карте NLCD 2011 г., которые были сожжены в соответствии с данными о нарушениях LANDFIRE 2010 г., были отнесены к классу недавно сгоревших лесов в обновлении экосистем GAP/LF 2011 г. .

В некоторых географических областях для маркировки подмножества пикселей в комбинации с новый класс земельного покрова.Например, картографирование сосновых степей прибрежной равнины Северной Атлантики ранее не отображалось в Земельном покрове GAP 2001 года. Он был улучшен за счет переклассификации комбинаций, которые включали пиксели с помощью NLCD, как кустарников с пожарами низкой интенсивности в данных о возмущениях LANDFIRE в подмножестве HUC, представляющих регион Pitch Pine Barrens. В районах за пределами региона Сосновой Пустоши эта комбинация будет представлять собой другую экологическую систему.

В географических районах Среднего Запада Уровень данных о возделываемых землях Национальной службы сельскохозяйственной статистики (2011 г.) использовался для перекодирования измененных/управляемых южных высокорослых пастбищ из пастбища/сена Gap 2001 г. для пикселей, где CDL отобразил их как пастбища/пастбища или другое. Сено/не люцерна.

После принятия меток NLCD 2011 года для сельского хозяйства, водных ресурсов, развитых классов, соответствия экологической системы между 2001 и 2011 годами и завершения перекодирования на основе нарушений осталось большое количество комбинаций без назначенной метки 2011 года. Комбинированный набор данных позволил каждому аналитику визуализировать распределение пикселей в неназначенных комбинациях и оценить потенциальный источник различий между двумя датами. Для каждой комбинации информация о распределении и шаблоне пикселей, а также о типе перехода (т.е. от леса к пастбищу) использовались для определения приоритетности комбинаций, которые оценивались для перекодирования на этом этапе.

Как правило, это были: 1) комбинации, представленные небольшими группами пикселей, разбросанных по географической области и, следовательно, проблематичные для оценки и назначения пути перехода, или 2) комбинации, варианты перекодирования которых включали более одного возможного назначения экологической системы. В этих ситуациях мы перекодировали пиксели на основе их близости к помеченным пикселям на карте GAP 2001 года. Например, пиксели, содержащие комбинацию 2001 GAP нелесных, 2011 NLCD лиственных лесов и без нарушений, перекодирование будет осуществляться на основе большинства соседствующих пикселей-кандидатов для типов лиственных лесов в геозоне.

Были немаркированные комбинации пикселей, которые сохранялись после шага назначения близости. Это происходило, когда отдельные пиксели или небольшие группы пикселей были изолированы по типу физиогномики, и не возникало соседства с большинством потенциальных экологических систем (например, островок леса на большом участке пастбища). В этих ситуациях в обновленной карте использовались классы карт GAP 2001 года.

После того, как каждый аналитик выполнил обновление георайона, второй сотрудник просмотрел полученную классификацию земного покрова.Местоположение каждого отдельного класса карты было проверено на основе эталонных изображений высокого разрешения с использованием базовых карт Google Earth или ArcGIS, чтобы оценить шаблон и протяженность картографических классов в географической области. Если в ходе обзора выявлялись артефакты или ошибки, аналитик пересматривал правила принятия решений, и процесс повторялся до тех пор, пока не была завершена удовлетворительная классификация.

Затем в ArcGIS была создана мозаика из девяти географических областей, и была проведена проверка класса за классом для поиска ошибок, вызванных процессом создания мозаики.Опять же, структура и протяженность каждого из нанесенных на карту классов были визуализированы и сравнены с земным покровом Gap 2001 г. и эталонным изображением. Логические проверки проводились на каждом этапе процесса, чтобы гарантировать, что классы карты, на которые влияет конкретное правило или процесс принятия решения, были единственными, которые изменялись между промежуточными версиями мозаики.

Важно помнить, что этот набор данных представляет собой обновление, а не обнаружение изменений. Поэтому карты земного покрова 2001 и 2011 годов не следует использовать для прямой количественной оценки изменений.Нашей целью было создать подробный продукт растительного покрова, представляющий временные рамки 2011 года. Различия между картами GAP 2001 и 2011 гг. не всегда отражают наземные изменения в растительных сообществах. Некоторые различия являются результатом исправлений неправильных классификаций в исходной карте 2001 года. Область, которая содержала одинаковую растительность в 2001 и 2011 годах, но была неправильно нанесена на карту в 2001 году, будет отображаться как «измененная».

Наконец, концепции экологических систем, используемые для определения легенды карты, по своей природе изменчивы с диапазоном физиогномических и фенологических условий, возможных в одной системе.Таким образом, бывают случаи, когда класс земного покрова Экологической системы мог оставаться «неизменным», но общий класс земного покрова изменился в период с 2001 по 2011 год.  Например, некоторые области правильно отображены как кустарники в слое NLCD (на основе определение) лучше всего обозначаются как экологическая система северных Скалистых гор Ponderosa Pine Woodland и Savanna на карте GAP; поэтому этикетка Woodland and Savanna 2001 года будет сохранена.

Обновление Аляски 2012 г.

Команда LANDFIRE внедрила обновления существующего слоя растительности LANDFIRE для Аляски.После завершения изучения земного покрова в 2001 г. раз в два года проводились обновления с использованием базы данных о нарушениях для выявления областей изменений. Узнайте больше о LANDFIRE 2012. 

Базовое картографирование 2001

Схема классификации

Предыдущие проекты картографирования земного покрова выявили необходимость в согласованной на национальном уровне схеме классификации, картографируемой в мезомасштабе. В ответ на эту потребность NatureServe разработала структуру классификации наземных экологических систем (Comer et al.2003). Экологические системы определяются как «группы типов растительных сообществ, которые имеют тенденцию сосуществовать в пределах ландшафтов со схожими экологическими процессами, субстратами и/или градиентами окружающей среды» (Comer et al. 2003). Хотя растительный компонент экологической системы отличается от US-NVC, он описывается одним или несколькими союзами или ассоциациями NVC. В то время как концепция экологической системы подчеркивает существующие доминирующие типы растительности, она также включает физические компоненты, такие как положение рельефа, субстраты, гидрология и климат.

Часть набора данных, относящаяся к Аляске и континентальной части США, содержит 680 экологических систем и 28 классов землепользования, интродуцированной растительности или нарушенных классов. Набор данных о Гавайях содержит 28 классов естественной растительности и девять классов землепользования, интродуцированной или нарушенной растительности (Gon et al. 2006). Набор данных Пуэрто-Рико включает 70 уникальных классов растительности и землепользования. Часто такое большое количество классов обеспечивает уровень детализации, превышающий потребности пользователя. Чтобы удовлетворить этих пользователей, мы сопоставили данные уровня экологической системы с шестью самыми высокими уровнями Национальной системы классификации растительности (USNVC). Характеристики растительности, используемые для различения этих классов, варьируются от формы роста и климатических режимов на уровне класса до региональных различий в субстрате и гидрологии на уровне макрогруппы (таблица 1; http://usnvc.org/). Уровни NVC предоставляют пользователю множество вариантов, позволяющих выбрать создание карты континентальной части США с одиннадцатью классами на уровне класса NVC до 583 классов на уровне экологической системы.

 

          Таблица 1. Признаки, используемые для разграничения уровней Национальной классификации растительности (NVC)

         Класс:  доминирующие общие формы роста, адаптированные к основной влажности, температуре и/или субстрату или водной среде

          Подкласс:  глобальные макроклиматические факторы, определяемые главным образом широтным и континентальным положением или отражающие преобладающие субстратные или водные условия

          Формирование:  глобальные макроклиматические условия в зависимости от высоты, сезонности осадков, субстратов, гидрологических условий

          Подразделение:  континентальные различия в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений

          Макрогруппа:  субконтинентальные и региональные различия в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений

          Группа:  региональные различия в мезоклимате, геологии, субстратах, гидрологии, режимах возмущений                             

         

Изображения

Земельный покров National GAP 2001 года был получен с использованием спутниковых изображений Landsat TM за 1999-2001 годы в качестве основы. Большая часть изображений была получена из Национального центра наблюдения и науки о земных ресурсах Геологической службы США (EROS) через Консорциум по характеристикам земли с несколькими разрешениями (MRLC). EROS провела предварительную обработку и коррекцию атмосферы изображений и разработала три четких изображения низкой облачности для всех районов Соединенных Штатов. Эти мозаики представляли весну, лето и осень. Наличие изображений растительности в эти три разных времени года очень полезно для правильной классификации типов растительности, которые выглядят одинаково в течение одного сезона, но отличаются в другой.Снимки, которые использовались для Среднего Запада, Северо-Востока и Аляски, были отобраны и предварительно обработаны командой LANDFIRE в EROS. На Гавайях было необходимо дополнить изображения MRLC, чтобы решить проблемы с облачным покровом в стандартных наборах данных (Гон и др., 2006 г.). В Пуэрто-Рико для проекта была составлена ​​безоблачная мозаика изображений Landsat 7 ETM+ (Martinuzzi et al. 2006).

Различные другие наборы данных использовались во всех или некоторых регионах, чтобы помочь в процессе классификации земного покрова.Нормализованный разностный индекс растительности (NDVI), а также индексы яркости, зелени и влажности были созданы с использованием коэффициентов Landsat ETM+ из Huang et al. (2002). Также использовались наборы данных, полученные на основе цифровой модели высот, и они включали высоту, уклон, экспозицию и форму рельефа. Другие используемые вспомогательные наборы данных зависят от региона, но включают цифровые данные о почвах, геологии, местоположении рек и водно-болотных угодий, точечных местоположениях редких растительных сообществ, а также информацию о пожарах и лесозаготовках.

Данные тренировки

Модели, предсказывающие распределение земного покрова для региональных проектов, использовали полевые данные, собранные персоналом GAP специально для проекта, и данные о растительности, собранные для других проектов, в качестве инструкций для модели. Образцы полей GAP были собраны путем пересечения судоходных дорог в зоне картирования и случайного выбора участков, которые соответствовали критериям соответствующего размера (минимум 1 га) и состава (однородность насаждения). Данные о участках были собраны с использованием глазных оценок биотических и абиотических элементов земного покрова, включая процентное покрытие доминирующих видов по формам жизни (например, деревья, кустарники, травы и разнотравье) и физические данные, такие как высота, уклон, внешний вид и форма рельефа. Визуальная интерпретация аэрофотоснимков, цифровых квадрофотопланов или других изображений дистанционного зондирования также использовалась для получения обучающих данных, когда можно было получить достаточно информации для определения экологической системы.Этот метод чаще всего использовался для редких систем с недостаточным количеством обучающих данных и там, где были доступны дополнительные вспомогательные данные для определения особенностей изображения.

Дополнительные данные о растительности были получены от федеральных, государственных и неправительственных агентств, а ярлыки экологических систем были присвоены их существующим участкам. Программа LANDFIRE имеет обширный национальный набор существующих данных о растительности в справочной базе данных LANDFIRE (LFRDB), которая использовалась для поддержки картирования.

Методы моделирования

Деревья классификации и регрессии (CART) являются ценным инструментом для выявления сложных взаимосвязей между переменными среды. Деревья решений используют алгоритм бинарного разделения для последовательного разделения многомерного «облака» пояснительных данных на все более однородные подмножества. Каждое двоичное разбиение считается отдельным правилом в цепочке правил, определяющих характеристики переменной ответа. Для картирования земного покрова объясняющими переменными являются наборы спектральных и вспомогательных данных, а переменной отклика являются классы земного покрова (см.2005 для получения дополнительной информации о методах моделирования CART). Классификаторы деревьев решений хорошо подходят для картографирования земного покрова, поскольку они не требуют нормально распределенных обучающих данных, они могут учитывать широкий спектр переменных-предикторов и продемонстрировали более высокую точность по сравнению с использованием традиционных классификаторов (Hansen et al. 1996, Pal). и Мазер 2003).

Методы моделирования

CART были использованы для картирования большинства экологических систем в региональных проектах Юго-Запад и Северо-Запад, а также для LANDFIRE.CART, как правило, лучше всего работал для широко распространенных матричных систем с достаточным количеством обучающих данных. Для более редких систем участков и систем в юго-восточном региональном проекте, где топографического рельефа было недостаточно, а обучающие данные были ограничены, для картирования существующей растительности использовалось сочетание моделирования CART и правил принятия решений. В рамках проекта Hawaii Gap была проведена контролируемая классификация данных Landsat и объектная классификация изображений высокого разрешения и некоторых классов (Gon et al.2006). GAP Пуэрто-Рико использовал неконтролируемую классификацию для определения основных спектральных классов и вспомогательных данных (например, климата, субстрата и топографии) для стратификации спектральных данных

.

Ограничения данных

Данные национальных наземных экосистем GAP/LANDFIRE пытаются как можно точнее нанести на карту мелкие растительные детали растительности страны. Однако существуют ограничения на данные, о которых следует помнить пользователям. В наборе данных используется ячейка размером 30 метров, а в большинстве областей минимальная единица отображения равна 0.4 га (1 акр) это означает, что небольшие участки растительности могут быть пропущены в процессе моделирования. По характеру их неравномерного распространения и часто небольшой площади водно-болотные угодья, прибрежные местообитания и редкие типы местообитаний могут быть наиболее часто пропускаемыми типами. Некоторые экологические системы имеют спектральные характеристики и встречаются на тех же высотах, аспектах и ​​т. д., что и другие экологические системы. Из-за этих сходств в процессе моделирования, используемом для создания данных о земном покрове, трудно провести различие между этими типами систем, и может возникнуть значительная путаница.

Набор данных GAP/LANDFIRE Terrestrial Ecosystem основан на ряде дат снимков для различных охваченных географических регионов. В областях быстрых изменений данные могут нуждаться в дополнительном обновлении перед использованием или могут быть неприемлемыми для использования.

Ссылки

Комер, П., Д. Фабер-Лангендоен, Р. Эванс, С. Голер, К. Джоссе, Г. Киттель, С. Менар, С. Пайн, М. Рид, К. Шульц, К. Сноуэнд, Дж. Тиг, 2003. Экологические системы США: рабочая классификация США.наземные системы. NatureServe, Арлингтон, Вирджиния.

Гон, С.М., А. Эллисон, Р.Дж. Каннарелла, Дж.Д. Якоби, К.Ю. Канеширо, М.Х. Кидо, М. Лейн-Камехеле, С.Е. Миллер. 2006 г. Заключительный отчет Гавайского проекта анализа пробелов. 487 стр.

Gould, W. A. ​​C. Alarcon, B. Fevold, M.E. Jimenez, S. Martinuzzi, G. Potts, M. Quinones, M. Solorzona, E. Ventosa. 2008 г. Проект анализа пробелов в Пуэрто-Рико. Том 1: Земельный покров, распространение видов позвоночных и управление земельными ресурсами. Ген.Тех. Респ. IITF-GRT-39. Рио-Пьедрас, пр. Министерство сельского хозяйства США, Лесная служба, Международный институт тропического лесоводства. 165. с.

Хансен, М., Р. Дубая и Р. ДеФрис, 1996 г. Деревья классификации: альтернатива традиционным классификаторам земного покрова. Международный журнал дистанционного зондирования 17 (5): 1075-1081.

Гомер, К.Г., Девиц, Дж.А., Ян, Л., Джин, С., Дэниэлсон, П., Сиань, Г., Колстон, Дж., Герольд, Н.Д., Уикхэм, Дж.Д., и Мегоун, К., 2015, Завершение работы над Национальной базой данных о земном покрове 2011 г. для континентальных Соединенных Штатов, представляющей информацию об изменении земного покрова за десятилетие.Фотограмметрическая инженерия и дистанционное зондирование, т. 81, вып. 5, с. 345-354. http://www.asprs.org/a/publications/pers/2015journals/PERS_May_2015/HTML/index.html#346/z

Гомер, К., К. Хуанг, Л. Ян, Б. Уайли и М. Коан, 2004 г. Разработка Национальной базы данных о земельном покрове США за 2001 г. Фотограмметрическая инженерия и дистанционное зондирование, номер 7 / июль 2004 г. , стр. 829–840 (12). DOI: https://doi.org/10.14358/PERS.70.7.829

Лоури, Дж. Х., младший, Р. Д. Рэмси, К.Бойкин, Д. Брэдфорд, П. Комер, С. Фальзарано, В. Кепнер, Дж. Кирби, Л. Лангс, Дж. Прайор-Маги, Г. Манис, Л. О’Брайен, Т. Саджвадж, К.А. Томас, В. Рит, С. Шрадер, Д. Шрупп, К. Шульц, Б. Томпсон, К. Веласкес, К. Уоллес, Э. Уоллер и Б. Волк. 2005. Юго-западный региональный проект анализа пробелов: Заключительный отчет по методам картографирования земного покрова, Лаборатория ДС/ГИС, Университет штата Юта, Логан, Юта.

Мартинуцци, С., В. А. Гулд, О. М. Рамос-Гонсалес. 2006. Создание безоблачных наборов данных Landsat ETM+ в тропических ландшафтах: удаление облаков и теней от облаков.Ген. тех. Представитель IITF-32. Рио-Пьедрас, PR: Министерство сельского хозяйства США, Лесная служба, Международный институт тропического лесоводства. 12 р. По состоянию на август 2016 года в Интернете: http://www.fs.fed.us/global/iitf/pubs/iitf-gtr32.pdf.

МакКерроу, А. Дж., А. Дэвидсон, Т.С. Эрнхардт и А.Л. Бенсон. 2014. Объединение последних усилий по картированию земного покрова для обновления карты среды обитания видов в рамках Национальной программы анализа пробелов. Междунар. Арка фотограмм. Дистанционный датчик Пространственная инф. наук, XL-a 245-252, 2014.http://doi.org/10.5194/isprsarchives-XL-1-245-2014.).

Нельсон, К. Дж., Дж. Коннот, Б. Петерсон, Дж. Дж. Пикотт. 2013 г. LANDFIRE 2010 — обновленные данные для поддержки лесных пожаров и экологического управления. Журнал IEEE Earthzine. http://earthzine.org/2013/09/15/landfire-2010-updated-data-to-support-wi….

Пал, М. и П.М. Мазер, 2003. Оценка эффективности методов дерева решений для классификации земного покрова. Дистанционное зондирование окружающей среды 86, 554-565

Уровень данных о возделываемых землях Национальной службы сельскохозяйственной статистики Министерства сельского хозяйства США.2011. Опубликован слой данных по конкретным культурам [онлайн]. Доступно по адресу https://nassgeodata. gmu.edu/CropScape/. USDA-NASS, Вашингтон, округ Колумбия.

Проект анализа пробелов Геологической службы США. Дополнительные данные 2011 г. – Коды гидрологических единиц [HUCS]. [Онлайн]. Доступно на https://www.sciencebase.gov/catalog/item/56d496eee4b015c306f17a42 .

Геологическая служба США, Национальный центр геопространственных технических операций, 20140924, Набор данных о границах национального водораздела Геологической службы США (WBD) 20140924 Национальный шейп-файл: U.S. Геологическая служба: Рестон, Вирджиния, http://nhd.usgs.gov/wbd.html.

 

Доступ к предыдущим версиям этого набора данных

Чтобы получить доступ к предыдущим версиям набора данных о земном покрове, свяжитесь с Алексой МакКерроу: [email protected]

Контакты для получения данных о земном покрове GAP  >>

Научная карта UCSD

Abstract

Глобальные карты науки можно использовать в качестве справочной системы для определения карьерных траекторий, местоположения новых исследовательских границ или профилей знаний институтов или стран. В этом документе подробно описывается подготовка данных, анализ и компоновка, выполненные при разработке и последующем обновлении карты науки и классификации UCSD. Первоначальная классификация и карта используют 7,2 миллиона статей и ссылок на них из Scopus Elsevier (около 15 000 названий источников, 2001–2005 гг.) , 2001–2004) – около 16 000 уникальных названий источников. Обновленная карта и классификация добавляют данные WoS за шесть лет (2005–2010 гг.) и данные Scopus за три года (2006–2008 гг.) к существующей структуре категорий, увеличив количество наименований источников примерно до 25 000.Насколько нам известно, это первый случай обновления широко используемой карты науки. Сравнение исходных 5-летних и новых 10-летних карт и системы классификации показывает (i) увеличение общего количества журналов, которые могут быть нанесены на карту, на 9 409 журналов (социальные науки увеличились на 80%, гуманитарные науки — на 119%). увеличение, медицинские (32%) и естественные науки (74%)), (ii) упрощение карты за счет отнесения всех, кроме пяти высоко междисциплинарных журналов ровно к одной дисциплине, (iii) более равномерное распределение журналов по 554 поддисциплинам и 13 дисциплин при расчете коэффициента вариации, и (iv) лучшее отражение кластеров журналов по сравнению с данными цитирования на уровне статей. При оценке карты со списком желаемых функций для карт науки показано, что обновленная карта имеет более высокую точность отображения, более легкую для понимания, поскольку меньшее количество журналов многократно классифицируется, и более удобное использование для создания наложений данных, среди прочего.

Образец цитирования: Börner K, Klavans R, Patek M, Zoss AM, Biberstine JR, Light RP, et al. (2012) Дизайн и обновление системы классификации: карта науки UCSD. ПЛОС ОДИН 7(7): е39464.https://doi.org/10.1371/journal.pone.0039464

Редактор: Neil R. Smalheiser, University of Illinois-Chicago, United States of America

Получено: 7 февраля 2012 г.; Принято: 21 мая 2012 г.; Опубликовано: 12 июля 2012 г.

Авторские права: © 2012 Börner et al. Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Финансирование: Создание карты науки и системы классификации UCSD 2010 года частично финансируется Фондом Джеймса С. Макдоннелла, Национальным научным фондом в соответствии с наградой SBE-0738111 и Национальным институтом здравоохранения в соответствии с наградами U24RR029822 и U01GM098959. Любые мнения, выводы и заключения или рекомендации, выраженные в этом материале, принадлежат автору (авторам) и не обязательно отражают точку зрения Национального научного фонда. Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: К. Бёрнер является членом редколлегии PLoS ONE. Несколько авторов работают в коммерческой компании SciTech Strategies, Inc. Это не меняет приверженности авторов всем политикам PLoS ONE в отношении обмена данными и материалами.

Введение

Картографические карты физических мест веками направляли исследования человечества. Помимо поддержки навигации, эти карты используются для обозначения национальных границ или минеральных ресурсов, для отображения потоков торговой деятельности или для обозначения областей политических волнений.Научные карты абстрактных семантических пространств призваны служить современным исследователям, путешествующим по миру знаний. Эти карты создаются путем научного анализа крупномасштабных наборов научных данных с целью извлечения, соединения и осмысления фрагментов знаний, которые они содержат [1], [2]. Научные карты можно использовать для получения обзора «всей науки» или конкретной дисциплины. Научные карты в сочетании с процессом картирования новых наборов данных можно использовать для визуального отображения и сравнения наложенных данных, например.g., финансирования по сравнению с данными публикации [3]. Научные карты могут помочь определить основные области исследований, экспертов, учреждения, коллекции, гранты, статьи, журналы и идеи в интересующей области. Они могут показать однородность по сравнению с неоднородностью, причину и следствие и относительную скорость прогресса. Они позволяют отслеживать появление, эволюцию и исчезновение тем и помогают выявить наиболее перспективные направления исследований.

1.1 Сопутствующая работа

Обзоры научных картографических работ до 2007 г. показывают более 200 различных карт [4].Количество, разнообразие и сложность научных картографических работ с тех пор значительно возросли благодаря доступности научных данных в цифровом формате, разработке алгоритмов и увеличению вычислительной мощности, см. выставочные карты Mapping Science (http://scimaps.org). ). Каждая научная карта изображает абстрактное многомерное пространство с использованием различных наборов данных, справочных систем и графического дизайна. Очень немногие карты отображают все основные дисциплины научной деятельности – их также называют глобальными картами науки [5].Некоторые из этих карт нарисованы вручную, а другие созданы на компьютере. Некоторые зарисовывают опыт одного человека, в то время как другие отображают миллионы записей данных из разных источников. Для получения двухмерного представления науки используется множество различных алгоритмов анализа и компоновки данных. Например, в «Карте науки» 1996 года, составленной Смоллом [6], использовалась комбинация дробного подсчета цитирований и кластеризации совместного цитирования посредством многомерного масштабирования для извлечения четырехуровневой карты из Индекса научного цитирования 1996 года.Бояк, Клаванс и его коллеги создали четыре глобальные карты науки: Основа науки, Базовая карта 2002 года, Карта парадигмы, Карта науки UCSD, см. обсуждение и сравнение в [4]. Лейдесдорф и Рафолс [5] использовали данные Journal Citation Report, охватывающие журналы, включенные в Индекс научного цитирования (SCI), для создания карты тематических категорий Thomson Reuters и связанных журналов. Мойя-Анегон и др. в SCImago стремились создать графическое представление испанских научных исследований [7].

Рис. 1. Визуализация карты UCSD: 2D-проекция Меркатора (слева) с тремя 3D-сферическими вставками (вверху), 1D-круговая карта (справа).

Обратите внимание, что левая сторона карты Меркатора соединяется с правой стороной.

https://doi.org/10.1371/journal.pone.0039464.g001

Недавняя работа Клаванса и Бояка сравнивает структуру 20 глобальных карт науки [8]. Они приходят к согласованной карте, сгенерированной из ребер, которые встречаются по крайней мере в половине входных карт.Карта консенсуса имеет круглую форму, соединяющую основные научные дисциплины в следующем порядке: «математика (произвольно) помещается в верхнюю часть круга, а за ней по часовой стрелке следуют физика, физическая химия, инженерия, химия, науки о Земле, биология, биохимия, инфекционные заболевания, медицина, здравоохранение, исследования мозга, психология, гуманитарные науки, социальные науки и информатика. Связь между информатикой и математикой замыкает круг». Пользователям необходимо научиться читать эти карты — точно так же, как они изучали карту мира в школе, — прежде чем они смогут использовать эти семантические справочные системы для понимания наложения данных.

Этот документ начинается с мотивации создания и использования, а также желаемых свойств общей системы классификации и базовой карты науки. В разделе 3 представлены методы, применяемые для создания исходной карты науки UCSD, и методы, применяемые для ее обновления, вместе с достигнутыми результатами и вариантами использования. В разделе 4 представлено сравнение исходной и обновленной карты, а также оценка свойств карты. Раздел 5 завершает документ обсуждением и прогнозом.

Рис. 2.Карта SciVal Spotlight одного учреждения, здесь UCSD, с указанием институциональных компетенций.

Каждый узел на круговой карте представляет собой компетенцию (группу связанных тем) и располагается в среднем месте его статей. Размер узла отражает количество статей. Цветные лучи в каждом узле показывают дисциплины, влияющие на компетенцию.

https://doi.org/10.1371/journal.pone.0039464.g002

1.2 Потребности пользователей и исследовательские вопросы

При использовании в качестве инструмента для понимания важных достижений в науке и технике карта всей науки имеет потенциальную ценность для широкого круга профессионалов. Среди прочего, он может поддерживать изучение знаний и опыта, навигацию, управление и общение. Примерные группы пользователей и задачи поиска информации включают:

• Студенты. Карты науки могут помочь учащимся получить обзор конкретной области знаний, определить основные области исследований, экспертов, учреждения, гранты, публикации, патенты, цитаты и журналы, а также их взаимосвязи, увидеть влияние определенных теорий и получить глобальная картина домена.
• Исследователи. Научные карты можно использовать для облегчения доступа к результатам исследований, соответствующим возможностям финансирования и потенциальным сотрудникам [9] внутри и за пределами областей исследования, а также для обнаружения социальных сетей и невидимых колледжей [10].
• Грантовые агентства/менеджеры по НИОКР. Хотя карты науки не могут заменить информированную экспертную оценку или группы экспертов, их можно использовать в качестве инструментов для мониторинга (долгосрочных) денежных потоков и научных разработок, оценки стратегий финансирования различных программ, принятия обоснованных решений о продолжительности проектов и изучения схемы финансирования. Кроме того, их также можно использовать для определения влияния программ финансирования исследований [11]–[14], научных границ [15]–[18], динамики (скорости роста, диверсификации) научных областей [19], и дополнительные возможности.
• Агентство промышленности/национальной безопасности. Карты науки можно использовать для получения доступа к основным научным результатам, носителям знаний и т. д. Информация о необходимых технологиях может быть включена в карты, облегчая привлечение промышленности к конкретным направлениям исследований.
• Поставщики данных. Карты предоставляют уникальные визуальные интерфейсы для электронных библиотек [20]. Успешным примером является таксономия визуальной классификации, разработанная и используемая в проекте MACE. Портал [21] показывает с высоты птичьего полета иерархическую структуру из более чем 2800 терминов для тегирования ресурсов, позволяя пользователям искать и просматривать тысячи ресурсов в интерактивном визуальном процессе уточнения и поддерживая лучший доступ к цифровым ресурсам для преподавания и обучения. об архитектуре.
• общ. Широкая доступность карт всей науки может значительно улучшить передачу научных результатов широкой публике.

Хотя разным заинтересованным сторонам может потребоваться доступ к разным наборам данных и они могут предпочесть разные визуальные представления данных, крайне желательно иметь четко определенную общенаучную систему классификации. Визуальное представление системы классификации с помощью научной базовой карты полезно для визуального сравнения и интерпретации.Здесь мы перечисляем восемь желательных функций для карты системы классификации науки.

1. Используйте данные высочайшего качества/покрытия для создания системы классификации научных карт. Предпочтительно использовать данные на уровне статей, охватывающие все области, поскольку использование данных на уровне журналов или высокоцитируемых статей приводит к искажению структуры науки [22].
2. . Используйте передовые методы уменьшения размерности для преобразования многомерного сематического пространства в двумерную карту, которая сохраняет наиболее важные структуры данных [23].
3. Выберите кластеризацию и макет, которые имеют легко читаемые, отдельные кластеры, например, поддисциплины, которые имеют примерно одинаковое количество записей, не пересекаются (т. е. они не перекрываются и не перекрывают друг друга) и имеют значимые метки для упрощения данных. интерпретация и общение. Карта должна соответствовать мысленной модели предметной области типичного зрителя.
4. Используйте графическое оформление (код цвета, формы, размера) и легенду, понятные широкой аудитории. Система классификации и карта должны давать пользователям возможность формировать новые гипотезы и получать новые ответы.
5. Поддержка интерактивности, например, масштабирование, фильтрация, детализация по запросу [24]. Многоуровневые карты, например, двухуровневые, включающие субдисциплины, объединенные в дисциплины, могут поддерживать исследования на разных уровнях агрегирования.
6. Определите процесс сопоставления для классификации новых данных и наложения их на карту, например, журналы на основе названий журналов и других записей, например, патентов, данных о финансировании на основе ключевых слов. Поскольку пользователям трудно с дробными ассоциациями/подсчетом, каждая запись должна быть связана с одной или несколькими поддисциплинами.
7. Карта науки и система классификации должны легко обновляться, чтобы отражать постоянно меняющуюся структуру науки. Вычислительный рабочий процесс должен быть хорошо задокументирован, чтобы в принципе его было легко понять и его могли воспроизвести другие специалисты. Обновления должны максимально сохранить основную структуру карты.
8. Сопоставление и сравнение любой новой научной карты и классификации с широко используемыми научными классификациями (например, классификациями, используемыми базами данных Thomson Reuters, Scopus Elsevier, Библиотекой Конгресса, Универсальной десятичной классификацией) и переводом основных онтологий на разные языки (научные -Метрика, [25].

Далее мы описываем примененные методы и результаты, полученные при разработке и обновлении карты научной классификации UCSD. В разделе 4 мы будем использовать вышеуказанные функции для оценки.

Методы и результаты

Дизайн карты науки и системы классификации требует выбора данных, очистки, анализа, компоновки и интерпретации. В этом разделе подробно описывается рабочий процесс, использованный для создания оригинальной карты UCSD 2005 года и системы классификации с использованием индексов цитирования науки, социальных наук, искусства и гуманитарных наук Thomson Reuters Web of Science (WoS) Elsevier’s Scopus и Thomson Reuters за 2001–2005 годы.Первоначальная генерация карты была направлена ​​на создание локально и глобально точной базовой карты науки [26]. Далее мы обсудим два независимых обновления карты, которые в конечном итоге были объединены для создания карты UCSD 2010 года. Обновление добавляет данные WoS за шесть лет (2005–2010 гг.) и данные Scopus за три года (2006–2008 гг.) к существующей структуре категорий — всего около 25 000 наименований источников. Он направлен на увеличение охвата карты, например, путем добавления журналов, появившихся после 2005 года, при сохранении основной структуры карты. Наконец, мы описываем текущее использование обновленной карты UCSD 2010 года в исследовательских службах и коммерческих инструментах.

Рисунок 5. Количество журналов по поддисциплине для 5-летней (серые/красные кружки) и 10-летней (черная линия) научной карты UCSD.

Врезка: распределение прироста количества журналов по каждой специальности (а). Количество (дробно назначенных) терминов по 554 субдисциплинам (б).

https://doi.org/10.1371/journal.pone.0039464.g005

3.1 Дизайн оригинальной карты UCSD 2005 г.

Карта науки UCSD была создана компанией SciTech Strategies весной 2007 г. в ответ на запрос Калифорнийского университета в Сан-Диего (UCSD). UCSD был заинтересован в измерении лидерства в исследованиях в различных областях науки. Обычно существующие системы классификации журналов, такие как тематические категории Thomson Reuters, используются для расчета количества публикаций и цитирований по предметной области и на человека/учреждение. Однако недавно стала доступна база данных Scopus, и она имела больший охват (около 15 000 названий источников), чем объединенные индексы цитирования Thomson Reuters (наука, социальные науки, искусство и гуманитарные науки) (около 9 000 названий источников).Было принято решение создать первую систему классификации журналов и связанную с ней карту науки, которая будет включать расширенный набор источников из источников Thomson Reuters и Scopus с улучшенным охватом и большей детализацией [26]. Мы планировали, что эта система классификации и карта станут стандартами, и большое внимание было уделено разработке методологии создания карты. Был использован многоэтапный процесс, аналогичный, но более сложный, чем процессы, использованные для наших предыдущих карт журналов [9], [23]:

1. Были выбраны источники данных (Thomson Reuters: 2001–2004 гг. и Scopus: 2001–2005 гг.), а названия источников (далее именуемые журналами) из двух источников данных были сопоставлены и унифицированы.
2. Матрицы сходства журнал-журнал рассчитывались отдельно для каждой комбинации источника (Thomson и Scopus), года и типа объекта (цитируемые ссылки, ключевые слова).
3. Суммы были рассчитаны для каждой матрицы, и эти суммы были использованы для создания весовых коэффициентов для каждой матрицы. Восемнадцать отдельных матриц из (2) были объединены в единую матрицу журнала-журнала.
Для этой комбинированной матрицы было сгенерировано
4. значения подобия K50 (модифицированный косинус).
5. Многоточечные журналы (те, которые с наибольшей вероятностью распределяются по нескольким категориям) были идентифицированы и удалены из матрицы.
6. Матрица подобия была отфильтрована, чтобы уменьшить количество ненулевых ячеек до первых n на журнал.
7. Этот отфильтрованный файл подобия использовался в качестве входных данных для двух циклов компоновки графика с кластеризацией, в результате чего был получен набор из 554 журнальных кластеров. Многоточечные журналы были добавлены обратно в решение, частично назначенные соответствующим кластерам. Каждый кластер (субдисциплина) был помечен вручную, используя названия журналов в качестве входных данных. Отнесение журналов к этим 554 поддисциплинам составило новую систему классификации журналов UCSD.
8. Было рассчитано сходство между кластерами, и каждому кластеру были назначены позиции с использованием комбинации макета графика и последующего масштабирования и проекции макета. Карта UCSD представляет собой визуальное изображение позиций 554 кластеров (субдисциплин) и доминирующих отношений (ребер) между ними.

В результате получается карта из 554 кластеров журналов, составленная с использованием трехмерной (3D) схемы Фрухтермана-Рейнгольда в Pajek [27], см. рис. 1 (слева).Двумерную (2D) проекцию Меркатора можно увидеть на рисунке 1 (в центре). Поддисциплины были объединены в 13 дисциплин высокого уровня на основе естественного визуального группирования на карте и присвоенных им названий и цветов (см. таблицу в Приложении S1).

Приведенное выше описание процесса недостаточно точное, чтобы можно было воспроизвести систему классификации журналов или карту. Таким образом, дополнительная информация по каждому вышеописанному шагу представлена ​​в Приложении S1. Хотя подробности приведены в Приложении S1, а не здесь, два шага, описанных выше, заслуживают внимания, поскольку представляют собой значительный прогресс в области создания систем классификации журналов и карт.Во-первых, шаг (3) генерирует восемнадцать различных матриц, которые затем были сведены к одной матрице. Метод взвешивания и сокращения матриц был разработан, чтобы использовать наилучшую информацию, доступную для каждой пары журналов, и не наказывать пары журналов, когда информация недоступна в конкретной матрице. Он также был разработан для взвешивания влияния цитируемых ссылок (0,8) и ключевых слов (0,2) таким образом, чтобы это согласовывалось с нашим опытом относительно неоднозначности двух типов характеристик.Во-вторых, карта UCSD, насколько нам известно, единственная научная карта, созданная с римановой точки зрения. Использование сферы в качестве поверхности компоновки не предполагает декартовых границ (слева, справа, сверху, снизу) и позволяет создать непрерывную структуру связей.

Обратите внимание, что многие решения, рассмотренные выше и в Приложении S1, основаны на многолетнем опыте работы с данными публикаций и проведения научных исследований. Этот документ направлен на то, чтобы сделать текущий процесс создания карты максимально прозрачным.Однако требуется дополнительная работа в отношении выбора алгоритма, выбора параметров и пороговых значений, а также визуального дизайна карты для постоянной оптимизации точности и удобочитаемости карты науки и системы классификации UCSD.

3.2 Обновления, выполненные для создания карты UCSD 2010

С момента своего первоначального создания карта UCSD 2005 года дважды обновлялась независимо двумя разными группами. Здесь мы расскажем об истории и деталях этих двух обновлений.

Обновление Scopus.

В 2009 году карта UCSD 2005 года использовалась только в двух местах — в SciTech Strategies и в продукте Elsevier SciVal Spotlight (см. раздел «Развертывание карты UCSD»). Scopus индексировал гораздо больше исходных названий, чем в 2005 году. Таким образом, требовалось обновление, чтобы обновить покрытие системы классификации. SciTech Strategies внесла это обновление в июне 2009 г., добавив 7 464 новых наименования источников (2006–2008 гг.) из Scopus в существующую структуру категорий. Это было сделано путем определения всех новых журналов, которых не было в существующей системе классификации, а затем отнесения каждого нового журнала к одной из существующих категорий.Мы подсчитали, сколько раз журналы в каждой категории упоминались в статьях новых журналов. Каждый журнал был отнесен к категории, на которую он ссылался чаще всего, при условии, что он цитировал статьи в этом кластере не менее 10 раз. Хотя это обновление увеличило количество журналов Scopus в системе классификации на 47%, это привело к увеличению количества статей только на 13%. В добавленных журналах было гораздо меньше статей на журнал, чем в исходной системе классификации.

Обновление Web of science.

Летом 2009 года Центр киберинфраструктуры для сетевых наук Университета Индианы в сотрудничестве с SciTech Strategies добавил карту UCSD к своему инструменту Sci2 (см. раздел «Развертывание карты UCSD») для использования в качестве научной базовой карты для наложения данных. Многие исследователи и практики используют инструмент Sci2 для анализа данных Web of Science, но система классификации UCSD включала только названия WoS за 2001–2004 годы. Таким образом, потребовалось обновление, чтобы включить 4021 новый журнал WoS, которые были добавлены с 2004 года.В 2011 году Observatoire des Sciences et des Technologies (Канада) и Центр киберинфраструктуры для сетевых наук Университета Индианы совместно провели обновление WoS. Кроме того, это обновление было сделано с целью разработки легко воспроизводимого и часто повторяемого процесса обновления, который можно будет использовать в будущем. Процесс обновления подробно описан здесь.

Начав со списка 15 849 журналов, охваченных исходной картой UCSD, и доступа к индексам цитирования науки, социальных наук, искусства и гуманитарных наук Thomson Reuters Web of Science (WoS), мы определили все новые журналы, которые не были включены в исходный список. из 15 849.Для каждого из 4021 нового журнала мы подсчитали количество ссылок на статьи, опубликованные в этом журнале, на каждую поддисциплину исходной карты. Здесь мы определяем цитирование в/из субдисциплины как цитирование (или из) статьи, опубликованной в журнале, который назначен этой субдисциплине в исходной карте (даже если только частично, как в случае междисциплинарных журналов). Это дало для каждого журнала количество исходящих и входящих цитирований для каждой субдисциплины исходной карты.Чтобы учесть тот факт, что некоторые субдисциплины публикуют больше статей, чем другие, и что, таким образом, вероятность цитирования и цитирования этими субдисциплинами выше, чем для более мелких, мы нормализовали каждый из этих подсчетов цитирования по общему количеству статей, опубликованных среди все журналы, отнесенные (даже частично) к этой субдисциплине. Этим новым журналам затем присваивалась высшая субдисциплина цитируемость/цитируемость. Чтобы облегчить составление карт и чтение карт, каждый журнал был отнесен ровно к одной поддисциплине, даже к таким междисциплинарным журналам, как PLoS ONE . Тщательный анализ мультидисциплинарных журналов в наборе из 4021 нового журнала показывает, что PLOS ONE и SCHWEIZERISCHE MEDIZINISCHE WOCHENSCHRIFT (Swiss Medical Weekly) имеют наивысшую совокупную относительную значимость по субдисциплинам, что вычисляется путем взятия суммы цитирований. и ссылки на этот журнал, нормализованные по количеству статей, опубликованных в каждой субдисциплине. Это имеет смысл, так как PLOS One похож на PNAS , а SMW — это общий медицинский еженедельник.За этими двумя журналами следуют журналы, которые имеют довольно небольшое количество статей (значения не являются статистически значимыми) или претерпели серьезные редакционные изменения, например, JOURNAL OF PHYSICAL CHEMISTRY C на третьем месте является недавним отделением от JOURNAL OF PHYSICAL. CHEMISTRY B , но не междисциплинарный химический журнал.

Для дальнейшего упрощения карты UCSD 2010 года были изучены все 40 журналов, которые были отнесены более чем к одной поддисциплине (см. шаг 5 выше) на исходной карте UCSD 2005 года.Учитывая, что всеобъемлющей схемы классификации на уровне статей не существует, каждая из статей, опубликованных в этих междисциплинарных журналах, классифицируется по каждой из специальностей, закрепленных за этими журналами, независимо от фактической специальности, к которой они относятся. Хотя отнесение некоторых журналов к нескольким поддисциплинам кажется привлекательным, учитывая широту их тематического пространства, мы считаем, что с точки зрения общего использования лучше отнести каждый журнал только к одной поддисциплине. Таким образом, мы обязались перераспределить эти 40 многопрофильных журналов по отдельным категориям.Это было сделано путем подсчета количества цитирований, которые они получили, и ссылок, которые они сделали на каждую из субдисциплин, как в абсолютных числах, так и нормализованных по общему количеству статей, опубликованных в этих цитируемых/цитируемых субдисциплинах. Самоцитирование журналов также было удалено. Затем мы вручную нашли точки отсечки в распределении абсолютных и нормализованных цитирований/ссылок, чтобы ограничить отнесение к нескольким субдисциплинам. Используя этот метод, мы смогли по отдельности выделить 6 из 40 междисциплинарных журналов. Science , Nature , Lancet , British Medical Journal и Journal of the American Medical Association относятся к числу исключений, которые все еще назначаются многократно. Полученная карта охватывает 22 005 журналов из данных WoS за последние десять лет.

Мы предполагаем, что карта будет использоваться для самых разных целей и на разных уровнях агрегирования — от картирования карьерных траекторий отдельных ученых до демонстрации сильных и слабых сторон целых наций.Каждое использование может выиграть от немного отличающегося назначения журналов субдисциплинам, например, как обрабатываются междисциплинарные журналы. Однако основная цель карты науки и системы классификации заключается в ее универсальности и полезности для различных приложений. Обновление сохраняет «визуальную» структуру исходной карты науки и классификации UCSD 2005 года, что позволяет сравнивать наложения данных, созданные с любой из двух карт.

Объединение обоих обновлений.

Осенью 2011 года оба обновления исходной карты UCSD 2005 года были объединены, в результате чего была создана карта системы научной классификации UCSD 2010 года, которая охватывает данные WoS за десять лет и данные Scopus за восемь лет, а также 25 258 журналов.

Каждый журнал относится к одной или нескольким из 554 поддисциплин. Каждая субдисциплина относится ровно к одной из 13 дисциплин; имеет набор ключевых слов; и он имеет координату x (широта, по горизонтали) и координату y (долгота, вертикаль), так что его можно нанести на карту в пространстве.Подробности о формате данных и схеме именования можно найти в Приложении S2.

Новые данные могут быть научно локализованы, т. е. отнесены к подмножеству из 554 субдисциплин с помощью названий журналов или ключевых слов. Для данных Scopus и WoS предусмотрены справочные таблицы названий журналов, т. е. почти все данные, загруженные из этих двух источников, можно сопоставить. Количество отображаемых записей обычно определяется размером узлов поддисциплины, что соответствует среднему количеству статей в год за все годы существования журнала с 2001 по 2010 год.На рисунках 2 и 3 показаны примерные наложения данных.

Обратите внимание, что на карте науки и классификации UCSD ни одна (суб)дисциплина не важнее другой. Как и в любой другой системе классификации, например, в классификации Библиотеки Конгресса или в иерархии классификаций ACM, есть классы, которые имеют больше экземпляров. Хотя представляется желательным получить научную карту и систему классификации, в которой каждая субдисциплина имеет примерно одинаковый размер (обратите внимание, что существует несколько вариантов определения размера, например.г., количество частично присвоенных журналов/статей/патентов/ученых) это противоречит интересу к получению карты науки и системы классификации, которая является точной на местном и глобальном уровне.

3.3 Развертывание карты UCSD

Хотя научная карта UCSD изначально создавалась как сферическая карта, чаще всего используются двухмерная карта Меркатора и круговая научная карта. Карта Меркатора была включена в инструмент Sci2 [28] и программное обеспечение VIVO International Researcher Networking [29], а круговая научная карта используется в качестве визуальной основы для отображения карт компетенций университетов и стран в SciVal Spotlight™ компании Elsevier.Здесь мы обсуждаем оба развертывания.

Одномерная круговая карта (1D) (рис. 1, справа) дополнительно снижает сложность карты UCSD (рис. 1, в центре), сохраняя при этом ключевую структуру 2D-карты. Он соответствует виду с «южного полюса» 3D-карты (рис. 1, слева). Кроме того, круговая карта согласуется с консенсусной картой (15 основных категорий, объединенных в круговую структуру с петлями), полученной в результате анализа структуры 20 различных карт науки [8].Он упорядочивает 13 дисциплин в соответствии с одномерной римановой картой консенсуса из этой работы. Поддисциплины внутри каждой дисциплины и журналы внутри каждой поддисциплины упорядочиваются отдельно с использованием факторного анализа. Например, для химии (синий) ожидалось, что большинство ассоциаций между кластерами журналов будет найдено в наборе из пяти непрерывных областей. Таким образом, журнальные кластеры из Chemistry и из двух ограничивающих областей с каждой стороны (розовый, фиолетовый, голубой, коричневый), наряду с их сходством между кластерами, использовались в качестве входных данных для факторного анализа.Кластеры журналов в области «Химия» упорядочены в зависимости от их загруженности по доминирующему фактору. Тот же самый процесс был использован для всех тринадцати цветных областей карты, что привело к упорядочению всех 554 кластеров журналов по кругу. Пример того, как круговая карта может использоваться для отображения институциональных компетенций, показан на рисунке 2. Подробности о том, как проводится этот анализ, можно найти у Косецкого, Шумейкера и Баера [30] и Клаванса и Бояка [26].

Карта науки UCSD 2010 года и система классификации были интегрированы в инструмент Science of Science (Sci2) [28] и программное обеспечение VIVO International Researcher Networking [29]. Инструмент Sci2 представляет собой модульный набор инструментов, специально разработанный для изучения науки. Он поддерживает временной, геопространственный, тематический и сетевой анализ и визуализацию наборов научных данных на микро (индивидуальном), мезо (локальном) и макро (глобальном) уровнях. Его можно бесплатно загрузить с http://sci2.cns.iu.edu, он хорошо задокументирован на http://sci2.wiki.cns.iu.edu. Он широко используется в наукометрических исследованиях, образовании и практике с принятием крупными финансирующими агентствами США, такими как Национальный научный фонд, Национальные институты здравоохранения, Министерство сельского хозяйства США и Национальное управление океанических и атмосферных исследований.На рис. 3 (вверху) показан пример визуализации данных публикации на научной карте. Международная исследовательская сеть VIVO использует семантическую веб-технологию для облегчения поиска исследователей и сотрудников по всей стране. Учреждения могут загрузить VIVO с http://vivoweb. org/download, заполнить его высококачественными институциональными данными и участвовать в сети. VIVO также предоставляет простые временные, тематические и сетевые визуализации, которые отвечают на вопросы что, когда и с кем соответственно [31].В частности, такие вопросы, как: «Сколько статей было опубликовано организацией или отдельным лицом за последние годы»; «Для конкретного ученого, кто его/ее основные сотрудники?» или «Какие профили опыта есть у конкретных людей или организаций и как они соотносятся друг с другом?» можно ответить. Научные карты используются, чтобы помочь ответить на последний вопрос. Пользователи VIVO могут просматривать организационную иерархию учреждения, например Университета Индианы, и запрашивать индивидуальные профили знаний на любом уровне, см. рис. 3 (внизу).В качестве альтернативы они могут сравнить до трех организаций, например, Школу информатики и вычислительной техники и Школу библиотечных и информационных наук.

Большинство применений любой научной карты ограничивается использованием одной базы данных для практических целей. Система классификации UCSD и карта дают пользователю возможность использовать один или оба этих исчерпывающих библиографических источника. Оба обновления включены в файлы данных, распространяемые вместе с этим документом.

Карта науки и системы классификации UCSD 2010 года распространяется под лицензией Creative Commons, Attribution-NonCommercial-ShareAlike 3.0 Неперенесенная (CC BY-NC-SA 3.0) лицензия (http://creativecommons.org/licenses/by-nc-sa/3.0/). Формат данных, словарь данных и условия использования подробно описаны в Приложении S2.

3.4 Основные характеристики и сравнение

Была проделана дополнительная работа, чтобы сравнить обновление WoS с исходной картой науки UCSD, чтобы показать, как обновленная карта соответствует «Желательным характеристикам карты науки», перечисленным в разделе 2. Мы решили дополнительно охарактеризовать обновление WoS, поскольку оно вероятно, имеют гораздо более широкое применение, чем обновление Scopus, из-за включения карты в инструменты Sci2 и VIVO.

В таблице 1 указано количество журналов из WoS и Scopus, которые включены в 5-летнюю и 10-летнюю карту науки UCSD. На исходную карту был добавлен ровно 4021 новый журнал WoS. Также показаны 7008 журналов из обновления на основе Scopus, см. раздел 3 и рис. 1 (справа). Обратите внимание, что хотя добавление новых заголовков важно с точки зрения полноты и необходимо для поиска новых научных журналов, его влияние на структуру карты относительно невелико с точки зрения чисел.Из 1 885 278 записей Scopus за 2008 г. (с использованием данных Scopus XML на конец 2009 г.) только 219 711 (11,65%) связаны с добавленными названиями. Таким образом, более 88% контента, связанного с системой классификации журналов и картой, получено в результате исходного тщательного процесса картирования.

Как и следовало ожидать, добавление новых журналов меняет относительную важность дисциплин и специальностей на карте. На рис. 4 представлено количество журналов по 13 дисциплинам для 5- и 10-летней карт. Он показывает, что охват общественных наук (социальные науки увеличились на 80%, гуманитарные — на 119%, медицинские (32%) и естественнонаучные (74%)) журналов. Как следствие, относительная важность социальных и гуманитарных наук увеличилась с 19% журналов на 5-летней карте до 35% на 10-летней карте. Точно так же на Рисунке 5 (слева) показано, что неудивительно, что журналы неравномерно распределены по разным подспециальностям, и что некоторые подспециальности больше затронуты этим увеличением, хотя в большинстве подспециальностей наблюдается лишь небольшой рост (вставка), что позволяет предположить, что На 5-летней карте недооценены результаты исследований этих узких специальностей.Также стоит отметить, что добавление этих журналов, а также реорганизация журналов, относящихся более чем к одной узкой специальности, привели к более равномерному распределению журналов по подспециальности, поскольку коэффициент вариации – нормализованная мера дисперсия распределений – для 10-летнего распределения журналов ниже, чем для 5-летнего распределения журналов. Всего с 554 субдисциплинами связано 66 759 уникальных терминов. Количество терминов на субдисциплину колеблется от 16 до 184.Почти все термины распределены дробно, а совокупный балл терминов по субдисциплинам колеблется от 0,69 до 124,5, см. рис. 5 (справа).

Сравнение с желаемыми свойствами.

В Разделе 2 мы представили список восьми необходимых функций для создания карт науки. Мы используем эти критерии здесь, чтобы рассмотреть 10-летнюю карту науки UCSD.

1. В новой карте используются самые последние данные двух самых полных поставщиков библиографических данных, существующих на сегодняшний день: WoS и Scopus.Существует много возможностей для добавления других данных, например, Google Scholar или Google books, публикации конференций от Citeseer и т. д. Однако два текущих набора данных действительно охватывают большинство исследований, опубликованных в журналах. Кроме того, данные имеют высокое качество, особенно по сравнению с наборами данных, сканируемыми из Интернета.
2. Как было показано в предыдущих публикациях, карта науки UCSD использует методы уменьшения размерности, которые сохраняют наиболее важную структуру [23].
3. Карту нужно выучить — так же, как и географическую карту нашего мира. Это двухуровневая карта — 13 дисциплин с цветовой кодировкой и маркировкой и 554 поддисциплины с различными позициями x, y — которая поддерживает наложение данных генерации и исследования на двух уровнях.
4. Для базовой карты используется простая компоновка узлов поддисциплин, соединенных ссылками. Наложения данных используют простое кодирование цвета, формы и размера. Инструмент Sci2 предоставляет легенду, а онлайн-карта VIVO содержит всплывающую подсказку.
5. Карта развернута в сети для поддержки интерактивности, например масштабирования, фильтрации, получения сведений по запросу, см. пример VIVO. VIVO также облегчает исследования на разных уровнях агрегирования, здесь уровень дисциплины и уровень субдисциплины.
6. Новые данные могут быть «научно локализованы», т. е. наложены на карту на основе названий журналов или ключевых слов, связанных с записью. Все новые журналы были отнесены ровно к одной субдисциплине, чтобы свести к минимуму путаницу, вызванную дробными ассоциациями/подсчетом.Лишь несколько узкодисциплинарных журналов, в том числе Nature, Science и PNAS , связаны с несколькими поддисциплинами.
7. В этом документе описан рабочий процесс [23], применяемый для создания 5-летней карты и ее обновления с уровнем детализации, позволяющим экспертам воспроизвести создание карты. Обновление карты сохраняет основную структуру карты, включая количество дисциплин и поддисциплин. Последовательные карты могут быть анимированы с течением времени, чтобы сообщить о постоянно развивающейся структуре науки.В настоящее время количество субдисциплин фиксировано, но оно может быть изменено в будущих обновлениях.
8. Для облегчения картирования новых данных предоставляются таблицы поиска очищенных названий журналов, снабженные 10-летней картой UCSD по науке и названиям журналов, поскольку пользователь может загрузить их из WoS и Scopus. Согласование структуры карты с широко используемыми научными классификациями, например, классификациями, используемыми базами данных Thomson Reuters, Scopus Elsevier, Библиотекой Конгресса или ScienceMetrix (http://www.science-metrix.com/OntologyExplorer), желательно, но не сделано.

Обсуждение

Текущая работа направлена ​​на изучение возможности использования карты науки и классификации UCSD с использованием формальных и неформальных исследований удобства использования, проведенных в рамках проекта VIVO и усилий по разработке инструментов Sci2. Ожидается, что разные группы пользователей — от новичков до экспертов — будут читать и интерпретировать карту по-разному и использовать ее для разных целей. Другое направление исследований направлено на обеспечение точности карт всех наук на локальном и глобальном уровнях.В [32] был рассмотрен широкий спектр мер сходства на основе цитирования. Все они симметричны, что проблематично, поскольку цитата из статьи Science или Nature , вероятно, насчитывает более одной цитаты из журнала с низким рейтингом. Бояк, Бернер и Клаванс [23] и Бояк, Ньюман, Духон, Клаванс, Патек и др. [33] исследовали потребность в данных о цитировании при создании точных карт науки. Однако использование только ссылок цитирования в качестве меры сходства несовершенно, поскольку цитирования следуют за социальными сетями, зависят от возраста публикации и количества ранее полученных цитирований.Сочетание связи и актуальных данных представляется желательным. Научная карта UCSD 2010 года основана как на данных о связях, так и на данных ключевых слов, и, таким образом, отвечает этому желанию. Недавняя работа Бояка и Клаванса переориентирует анализ кластеров журналов на анализ кластеров статей [22], [26]. Мы ожидаем дальнейших обновлений карты системы научной классификации UCSD 2010 года и планируем разработать более надежную систему управления версиями.

Благодарности

Первоначальная карта науки UCSD 2005 года была создана SciTech Strategies в рамках исследовательского контракта, финансируемого Калифорнийским университетом в Сан-Диего (UCSD). UCSD владеет авторскими правами как на исходную систему классификации, так и на карту, и дал разрешение на их использование в экземплярах, упомянутых в этой работе. Мы хотели бы поблагодарить Андреа Шарнхорст за подробные комментарии к предыдущей версии этой статьи, а также компании Thomson Reuters и Elsevier за их разрешение опубликовать таблицы преобразования названий журналов.

Вклад авторов

Инициатор и проектировщик экспериментов: К. Бёрнер Р.К. В.Л. К. Бояк. Выполняли опыты: К.Бёрнер РК МП АЗ JB RL ВЛ К. Бояк. Проанализированы данные: РЛ В.Л. К. Бояк. Предоставленные реагенты/материалы/инструменты для анализа: AZ JB. Написал статью: К. Бёрнер Р.Л. В.Л. К. Бояк.

Каталожные номера

1. 1. Шиффрин Р.М., Бёрнер К. (2004) Картирование областей знаний. ПНАС. стр. 5183–5185.
2. 2. Бёрнер К., Чен С., Бояк К.В. (2003) Визуализация областей знаний. В Cronin B, редактор. Ежегодный обзор информационных наук и технологий. стр. 179–255.
3. 3.Бояк К.В., Бёрнер К. (2003) Оценка с помощью показателей и финансирование исследований: визуализация влияния грантов на количество и число цитирований исследовательских работ. Журнал Американского общества информационных наук и технологий 54 (5): 447–461.
4. 4. Бёрнер К. (2010) Атлас науки: визуализация того, что мы знаем. Кембридж: MIT Press.
5. 5. Лейдесдорф Л., Рафолс И. (2009) Глобальная карта науки, основанная на предметных категориях ISI.Журнал Американского общества информационных наук и технологий 60 (2): 348–362.
6. 6. Small H (1999) Визуализация науки с помощью карты цитирования. Журнал Американского общества информационных наук 50 (9): 799–813.
7. 7. Варгас-Кесада Б., де Мойя-Анегон Ф. (2007) Визуализация структуры науки. Берлин: Springer-Verlag.
8. 8. Клаванс Р., Бояк К.В. (2009) На пути к научному консенсусу. Журнал Американского общества информационных наук и технологий 60 (3): 455–476.
9. 9. Boyack KW (2009) Использование подробных карт науки для определения потенциального сотрудничества. Наукометрия 79(1): 27–44.
10. 10. Крейн Д. (1972) Невидимые колледжи: распространение знаний в научных сообществах. Чикаго: Издательство Чикагского университета.
11. 11. Бурк П., Батлер Л. (1999) Эффективность различных способов финансирования исследований: перспективы австралийских данных по биологическим наукам. Политика исследований 28 (5): 489–499.
12. 12. Джайн А., Гарг К.С., Шарма П., Кумар С. (1998) Влияние финансирования SERC на исследования в области химических наук. Наукометрия 41(3): 357–370.
13. 13. Льюисон Г. (1998) Гастроэнтерологические исследования в Соединенном Королевстве: источники финансирования и влияние. Гут 43 (2): 288–293.
14. 14. Льюисон Г., Доусон Г. (1998) Влияние финансирования на результаты биомедицинских исследований. Наукометрия 41(1–2): 17–27.
15. 15. Бояк К.В., Уайли Б.Н., Дэвидсон Г.С. (2002) Визуализация предметной области с использованием VxInsight для управления наукой и технологиями.Журнал Американского общества информационных наук и технологий 53 (9): 764–774.
16. 16. Ирвин Дж., Мартин Б.Р. (1984) Предвидение в науке: выбор победителей. Лондон и Дувр: Frances Pinter Pub Ltd.
17. 17. Polanco X, Francois C, Lamirel JC (2001) Использование искусственных нейронных сетей для картирования науки и технологий: подход с несколькими самоорганизующимися картами. Наукометрия 51(1): 267–292.
18. 18. Schwechheimer H, Winterhager M (2001) Картирование междисциплинарных направлений исследований в нейробиологии: библиометрический взгляд на ретроградную амнезию.Наукометрия 51(1): 311–318.
19. 19. Швеххаймер Х., Винтерхагер М. (1999) Высокодинамичные специальности в исследованиях климата. Наукометрия 44 (3): 547–560.
20. 20. Бёрнер К. , Чен С. (2003) Визуальные интерфейсы для цифровых библиотек. Берлин: Springer Verlag.
21. 21. MACE Просмотр по классификации. По состоянию на 17 июня 2012 г.
22. 22. Клаванс Р., Бояк К.В. (2011) Использование глобального картографирования для создания более точных карт областей исследований на уровне документов.Журнал Американского общества информационных наук и технологий 62 (1): 1–18.
23. 23. Бояк К.В., Бёрнер К., Клаванс Р. (2009) Картирование структуры и эволюции химических исследований. Наукометрия 79(1): 45–60.
24. 24. Шнейдерман Б. (1996) У глаз есть это: задача по таксономии типов данных для визуализации информации. В материалах симпозиума IEEE по визуальным языкам. Вашингтон, округ Колумбия: Компьютерное общество IEEE. стр. 336–343.
25. 25.Исследователь онтологии научных журналов Science-Metrix. По состоянию на 17 июня 2012 г.
26. 26. Клаванс Р., Бояк К.В. (2010) На пути к объективному, надежному и точному методу измерения лидерства в исследованиях. Наукометрия 82 (3): 539–553.
27. 27. Де Нуй В., Мрвар А., Батагель В. (2011) Исследовательский анализ социальных сетей с Паджеком. Кембридж, Великобритания: Издательство Кембриджского университета.
28. 28. Бёрнер К., Бояк К.В., Линнемайер М.В., Духон Р.Дж., Филлипс П.А. и соавт.(2010) Sci ² Инструмент: Инструмент для научных исследований и практики, Киберинфраструктура для сетевого научного центра: Блумингтон, Индиана. По состоянию на 17 июня 2012 г.
29. 29. VIVO: создание национальной сети ученых. По состоянию на 17 июня 2012 г.
30. 30. Косецки С., Шумейкер Р., Баер К.К. (2011) Объем, характеристики и использование внутренних исследований Министерства сельского хозяйства США. Наукометрия 88 (3): 707–728.
31. 31. Бёрнер К., Бояк К.В., Милоевич С., Моррис С. (2012) Введение в науку о моделировании: основные типы моделей, ключевые определения и общая основа для сравнения моделей процессов. В Scharnhorst A, Börner K, van den Besselaar P, редакторы. Модели научной динамики: встречи между теорией сложности и информатикой. Спрингер Верлаг.
32. 32. Бояк К.В., Клаванс Р., Бёрнер К. (2005) Картирование основы науки. Наукометрия 64 (3): 351–374.
33. 33. Бояк К.В., Ньюман Д., Духон Р.Дж., Клаванс Р., Патек М. и др. (2011) Кластеризация более двух миллионов биомедицинских публикаций: сравнение точности девяти текстовых подходов к сходству.ПЛОС ОДИН 6(3): 1–11.

Проект завершен: Оценка классификации и картирования экологических систем на северо-востоке и Среднем Западе США

Финансируемый NE CSC проект «Критическая оценка методов и результатов классификации и картирования среды обитания/экологических систем на северо-востоке и Среднем Западе США» завершен! Общая цель этого проекта

должен был сравнить карты и системы классификации от различных производителей, чтобы определить возможности для объединения самых сильных качеств в каждой картографической системе для создания «лучшей карты» для Северо-Восточного и Среднего Запада США. S.  

Исследователи сравнили карты, подготовленные LANDFIRE (LF), Southeast GAP Analysis (SEGAP), The Nature Conservancy (TNC) и NatureServe (NS) для востока США. Во всех работах в качестве легенды используется Классификация экологических систем НС с модификациями. Карты LF и NS покрывают всю территорию США, тогда как зона покрытия других карт ограничена. Карта NS представляет собой компиляцию и модификацию карт LF и SEGAP. В областях перекрытия четыре карты сильно различаются при наилучшем тематическом разрешении (когда наносится на карту больше типов растительности), но становятся более похожими, когда наносится на карту меньшее количество типов растительности.Различия частично обусловлены характером самого континуума растительности (например, неточными различиями, разделяющими нанесенные на карту типы). Исследователи пришли к выводу, что невозможно определить, какая карта является более точной, и их нельзя смешивать и сопоставлять для создания «лучшей карты».  

Каждая карта демонстрирует качества и проблемы, уникальные для потребностей конечных пользователей. Карта TNC наиболее привлекательна с точки зрения картографии. Усилия LF придерживаются установленных национальных методов и стандартов, и производители чаще всего не в состоянии реагировать на индивидуальные проблемы региональных, государственных или местных пользователей.В зависимости от своих потребностей конечные пользователи должны создавать индивидуальные карты за свой счет (например, карту TNC), изменять национальные карты или просто использовать национальные карты по мере их доставки. Карта LF должна быть обновлена ​​в течение следующих нескольких лет, но другие карты могут не обновляться. Национальный набор данных о растительном покрове, который не оценивался в рамках этой работы, имеет самую долгую историю регулярного обновления, но отображает наименьшее количество типов растительности. Его легко интерпретировать, и для локального пользователя было бы проще всего изменить его с помощью наложения карты.

—>Просмотреть итоговый отчет по проекту на странице проекта.

Интеграция методов моделирования ГИС и методов классификации дистанционного зондирования для картирования растительности на базах армии США

Интеграция методов моделирования ГИС и методов классификации дистанционного зондирования для картографирования растительности на базах армии США

Пол Лехл, Венди Гетц, Чад Хендрикс и Джули Коэн

 

Исследовательские лаборатории Инженерного корпуса армии США разработали рекомендации по картированию растительности на армейских объектах для решения вопросов управления земельными ресурсами на армейских военных базах. Компания Pacific Meridian Resources завершила одну из первых работ по картированию растительности в соответствии с этими рекомендациями. Карта растительности военной резервации Форт-Худ в Киллин, штат Техас, была разработана с использованием 1-метровых сканированных цифровых цветных инфракрасных изображений Quarter Quads (DOQQ). Для выделения 16 классов земного покрова был использован ряд неконтролируемых методов классификации и моделирования. Основным компонентом проекта была разработка модели ArcView для устранения областей тени деревьев во время классификации за счет использования окружающей растительности.Интеграция подходов к моделированию ГИС с методами классификации растительности с помощью дистанционного зондирования стала ключевым компонентом успеха проекта. Будет представлен обзор методов, извлеченных уроков и проблем.

---

Введение

Разработка данных о природных ресурсах, таких как карты растительных сообществ, является необходимой и важной деятельностью на военных объектах. Инструкторам нужна эта информация, чтобы иметь возможность выполнять и поддерживать свою миссию, а управляющим землей нужны эти данные, чтобы иметь возможность поддерживать и защищать земельные и водные ресурсы объекта.Эти пользователи, а потенциально и многие другие, представляют пользователей многих уровней, которым нужны карты растительности для принятия решений, важных для миссии по установке. Каждому из этих пользователей требуется, чтобы окончательная карта могла удовлетворить их потребности в информации о растительности, будь то схемы укрытия и пути подхода для симуляции обучения, состав среды обитания и закономерности для управляемых видов животных и растений или базовый уровень данных для программ. и модели, предназначенные для оценки, управления и сохранения земли.

Инженерный корпус армии разработал руководство по нанесению на карту растительности на армейских объектах, чтобы помочь руководителям проектов установки создавать карты растительности, которые являются экономичными и полезными для многих пользователей. Руководящие принципы, которые соответствуют Национальному стандарту классификации растительности (NVCS) Федерального комитета по географическим данным, сосредоточены на процессе разработки карты как на основе принятия решений, которые должны учитываться руководителем проекта для обеспечения успешной карты растительности. Схема, описанная в документе, озаглавленном «Руководство по нанесению на карту растительности на армейских объектах», применялась в качестве демонстрационного/проверочного исследования в военной резервации Форт-Худ в Киллине, штат Техас.Карта растительности была разработана с использованием Руководства в качестве модели для пяти групп пользователей, включая программу обучения, управление исчезающими и исчезающими видами, моделирование сукцессии растений, моделирование несущей способности и программу эрозии почвы.

Обычно цель карты растительности состоит в том, чтобы предоставить перечень растительных сообществ, включая их местоположение, протяженность, географическое распределение в ландшафте, взаимосвязь с другими особенностями ландшафта и описание отдельных характеристик. С развитием компьютерных технологий и достижений в дистанционном зондировании, моделировании и теории выборки карта растительности теперь может обладать большой сложностью. Кроме того, картографическая информация больше не является ценной только для немногих, ее можно использовать совместно, манипулировать и представлять для обслуживания многих клиентов, каждый из которых имеет свои собственные требования к деталям карты, разрешению и информации. Интеграция моделирования географических информационных систем (ГИС) с методами классификации растительности с помощью дистанционного зондирования сыграла важную роль в успешном создании полезной карты для Форт-Худа.В этом документе обобщены методы ГИС и подходы к моделированию, используемые для создания карты растительности установки, а также извлеченные уроки.

 

Область исследования

Военная резервация Форт-Худ (рис. 1) представляет собой тренировочный пост площадью 217 337 акров, расположенный в центральном Техасе, примерно в 60 милях к северу от столицы штата Остин и в 160 милях к югу от метрополии Даллас/Форт-Уэрт. Основанный в 1942 году, Форт-Худ является крупнейшим учебным центром бронетехники в свободном мире и состоит из двух подразделений.Установка расположена на 87 890 га в округах Белл и Кориелл в центральном Техасе. Форт-Худ занимает земли в экорегионе Кросстимберс и южной высокой травы прерий, недалеко от пересечения с экорегионом плато Эдвардс. Пейзаж Форт-Худ типичен для этого перекрестка экологических регионов. Шестьдесят пять процентов территории составляют многолетние пастбища, а тридцать один процент — леса (неопубликованные данные программы LCTA армии США). Эти земли используются в основном для военной подготовки, но используются для многоцелевого использования, включая отдых, рыбную ловлю и дикую природу, а также сельское хозяйство.Форт-Худ также обеспечивает среду обитания для двух неотропических мигрантов, внесенных в федеральный список, черношапочного виреона ( Vireo atricapillus ) и желтощекой камышевки ( Dendroica chyrsoparia ). Недискреционные положения и условия, установленные Службой рыболовства и дикой природы США в биологическом заключении, выпущенном в 1993 году, требуют от Министерства армии военной резервации Форт-Худ разработать планы управления и провести научные исследования для сведения к минимуму потенциального вреда перечисленным видам. Разработка точных карт растительности поддерживает программы в рамках этих планов управления.

Учебная зона — Форт-Худ Рисунок 1

 

Процесс картирования растительности

1. Сборник справочных материалов

Важно изучить справочный материал и существующую информацию, чтобы узнать как можно больше об изучаемой территории и выяснить, предпринимались ли какие-либо соответствующие усилия, прошлые или настоящие, которые поддерживают текущие усилия по картированию растительности.Обзор был проведен, чтобы помочь понять и оценить характер растительности, выявить общие отношения, выявить сходство с нарушениями и понять доминирующие особенности окружающей среды. Этот обзор показал, что карта топливной загрузки была разработана в 1998 году с использованием 30-метровых данных тематического картографа Landsat. Кроме того, The Nature Conservancy, у которой есть персонал на посту, предоставила информацию о растительности, в том числе данные о полевых участках, собранные для мониторинга исчезающих и находящихся под угрозой исчезновения видов. Форт-Худ также предоставил данные о участках, ранее собранные для целей анализа состояния земель и тенденций. Региональные справочники по растительности, такие как Общество Одюбона, также были полезны на начальных этапах.

Fort Hood предоставил все слои вспомогательных данных, использованные для проекта. Наборы данных точек, линий и полигонов были получены в виде шейп-файлов Esri. Растровые цифровые модели высот были получены в форматах ERDAS Imagine и Esri Grid. Ниже приведен список всех слоев вспомогательных данных, полученных из Форт-Худа:

.

• Граница Форт-Худ
• Почвы — Исследование почвы на уровне округа
• Покрытие дорог — из цифровых линейных графиков (DLG)
• Покрытие рек — из цифровых линейных графиков
• 10-метровая цифровая модель высоты (DEM)I
• Покрытие зоны удара
• 1-метровая модель DEM
• Освещение археологии
• Охват исчезающих видов
• Охват землепользования
• Покрытие аэродромов
• Покрытие конструкций
• Геологическое покрытие
• Геоморфологическое покрытие
• Охват полигонов/учебных полигонов

Компания Fort Hood предоставила два набора ЦМР. Первой была 1-метровая ЦМР, созданная на основе данных радара. Другой представлял собой 10-метровую ЦМР, изготовленную из самих DOQQ. Было обнаружено, что 1-метровая ЦМР обнаруживала изменения в кронах отдельных деревьев, а не фактическую высоту земли. Было принято решение, что 10-метровая ЦМР, полученная с 1999 г., будет более подходящей для использования с процедурами классификации растительности. ЦМР использовался в основном для создания файлов наклона и экспозиций.

2.Требования к обзору, планированию и Форт-Худ.

Вместе с персоналом Форт-Худа было проведено определение масштабов и планирование, чтобы определить их цели для карты, просмотреть справочную информацию и спланировать оставшуюся часть проекта, включая такие параметры картирования, как уровень детализации, масштаб и разрешение. В результате были определены следующие требования:

Требования, определенные Fort Hood

• Классифицировать минимальную единицу карты 0. 5 акров
• Определение процента можжевельника в насаждениях с шагом 10%
• Определение процента древесной растительности в насаждениях с шагом 10 %
• Отличие живого дуба от можжевельника
• Отличие вечнозеленых деревьев от листопадных
• Отличие участков с растительностью от участков без растительности
• Отличие воды от других областей
• Базовый слой данных будет получен из четвертьквадратов цифровой ортофотографии (DOQQ).DOQQ были созданы на основе распечатанных цветных инфракрасных аэрофотоснимков (серия NAPP 1:40 000), которые были отсканированы в цифровой формат.)

3. Сбор, интерпретация и обработка данных (классификация изображений)

Подготовка данных

Всего в классификации растительности использовалось 36 DOQQ. Снимки были получены в феврале 1999 года и отсканированы в цифровой формат с помощью планшетного сканера, исправлены и зарегистрированы в системе координат UTM. DOQQ были объединены в 4 региона (север, юг, восток и запад) с использованием программного обеспечения ERDAS Imagine 8.3. Это было необходимо из-за большого размера изображений. Граничное покрытие Форт-Худа затем было буферизовано на 20 метров и использовалось для вырезания областей исследуемой территории из мозаичных DOQQ (рис. 2). Этот процесс исключил области за пределами границы Форт-Худа и сгруппировал большинство изображений DOQQ с аналогичными характеристиками угла наклона солнца или тонального баланса. Вся последующая работа была завершена по каждому отдельному региону.

 

Регионы Форт-Худ. Рисунок 2

 

Изображение DOQQ состоит из следующих слоев:

Полоса 1 — синий (представляет зеленый)

Полоса 2 — зеленая (соответствует красной)

Полоса 3 — красная (представляет ближний инфракрасный диапазон)

Полосы не представляют истинную спектральную информацию, поскольку изображения сканируются с инфракрасных аэрофотоснимков. Следовательно, не существует настоящих красных или инфракрасных полос, доступны только аппроксимации этих полос, что затрудняет разделение различных классов растительности.Чтобы помочь идентифицировать растительные сообщества, был разработан ряд соотношений и индексов. Индексы объединяют уникальную спектральную информацию из двух или более спектральных диапазонов в один диапазон, который выделяет интересующие характеристики. Путем визуального осмотра полученных изображений и гистограмм было установлено, что полоса «псевдо» нормализованного разностного индекса растительности (NDVI) обеспечит наилучшие результаты в сочетании с другими полосами. Исследования показали, что полосы NDVI могут быть полезны для прогнозирования характеристик растительности.Полосы 2 и 3 использовались для создания «псевдо» слоя NDVI.

ИК (диапазон 3) — красный (диапазон 2)

ИК (диапазон 3) + красный (диапазон 2)

Этот слой помог отделить пиксели вечнозеленых деревьев от пикселей лиственных деревьев. Это также помогло отличить пиксели можжевельника от Live Oak и выделить пиксели вечнозеленой растительности в затененных областях.

Для каждого региона «псевдо» слой NDVI был добавлен к изображениям DOQQ в качестве еще одной полосы.Городские районы были удалены из изображений с использованием маски изображения, и на снимках за пределами городов была выполнена неконтролируемая классификация по 80 кластерам. Во всех неконтролируемых классификациях использовался алгоритм ISODATA, инициализированный из образа

. Статистика

по диагональной оси. Пороги сходимости были установлены как минимум 0,96. Каждый кластер был отнесен к одному из следующих классов:

Вода

Голая земля

Пастбища/травянистые

Лес

Тень

Первоначальное редактирование было выполнено, чтобы отделить явные области травы, которые были перепутаны с лесными кластерами.Кластеры леса и теней снова использовались для маскировки изображения, в результате чего изображение содержало только лес и тени. Неконтролируемая классификация из 100 кластеров с использованием тех же методов ISODATA была проведена на изображениях леса/тени и использовалась в качестве входных данных для анализа CART.

Сбор полевых данных

Первоначально в августе 1999 г. было собрано 292 полевых делянки. Места полевых делянок были выбраны с использованием модифицированной процедуры стратифицированной случайной выборки для каждого DOQQ.Стратификация была основана на более ранней карте растительности Landsat TM 1998 года. После маскирования освоенных и ограниченных ареалов были определены места пробных площадок на основе каждого из типов растительности 1998 года в каждом DOQQ. Для каждого DOQQ было выделено двадцать пробных площадок. Юго-западный угол полевого участка был расположен вручную, чтобы убедиться, что участок представляет собой однородное представление соответствующего типа растительности. Полевые участки были собраны путем измерения квадрата 20×20 метров, начиная с юго-западного угла участка поля (рис. 3).Площадки не были собраны на 11 квадрациклах, потому что они были либо: расположены в зоне удара или активного пожара, состояли в основном из освоенных территорий, либо недоступны (рисунок 4).

 

Методика сбора полевых данных. Рис. 3 Боевой огонь и зоны поражения. Рисунок 4

 

Были собраны полевые данные двух уровней. Первый уровень включал только данные о сомкнутости кроны, высоте кроны, проценте лиственных и вечнозеленых растений, а также трех основных породах деревьев на участке.Второй уровень включал более подробную информацию о сопутствующих видах растений на участке. Первоначально полевые данные должны были быть разделены на две группы: учебные участки для использования в классификации и справочные данные для использования при оценке точности итоговой карты растительности. Кроме того, полевые данные также использовались для разработки описаний союзов растительности, обнаруженных в Форт-Худе.

Данные, собранные в полевых условиях, были введены в электронную таблицу Microsoft Excel и подвергнуты статистическому анализу для определения количества единиц растительности, присутствующих в Форт-Худе.Вегетативные характеристики полевых участков были проанализированы с использованием процедуры кубической кластеризации SAS 6.12. Полученная дендограмма и анализ определили 23 союза растительности для Форт-Худа. Последние 16 классов карт были связаны с 23 союзами растительности.

Шейп-файл ArcView полевых графиков был сгенерирован, а затем преобразован в слой Arc/Info GIS с уникальным идентификационным номером и меткой класса растительности для каждого графика. Каждый участок проверяли на правильность размещения и однородность участка.Приблизительно половина участков была отброшена из-за неправильного размещения участков, ошибок в маркировке или чрезмерной неоднородности участков.

В конце концов было установлено, что полевые графики нельзя использовать в качестве обучающей выборки для классификации изображений, которая обсуждается в разделе Анализ CART. Графики были слишком неоднородными для разрешения изображений DOQQ (рис. 5). Сайты, оставшиеся после проверки качества, были отложены для оценки точности.Из-за большого количества выброшенных делянок необходимо было собрать дополнительные полевые данные. Компания Pacific Meridian собрала 124 дополнительных участка за одну неделю полевых работ. Участки были выбраны с использованием метода систематической стратифицированной случайной выборки. Это было достигнуто, начиная с юго-западного угла каждого DOQQ и оценивая доступность этой области. Если этот район был недоступен, то такое же определение производилось в юго-восточном, северо-восточном и северо-западном углах DOQQ. На первом участке, признанном доступным, было сделано изображение участка в масштабе 1:1200.Затем эти графические изображения были перенесены в поле, и для каждого класса растительности, обнаруженного на участке, были созданы однородные полевые участки размером 5×5 метров. Позже они были внесены в базу данных ГИС. Еще 27 водных объектов были дешифрированы по фото. Эти графики были вручную оцифрованы с использованием изображений DOQQ в качестве эталона. Хотя мы попытались использовать часть полевых участков для первоначального процесса классификации, следует отметить, что ни один из исходных или дополнительных полевых участков не использовался в качестве учебных площадок для окончательного процесса классификации.

 

Неоднородность в пределах полевых участков. Рисунок 5

 

Предварительная классификация изображений (анализ CART)

Полевые данные были пересечены со всеми слоями спектральных и вспомогательных данных для создания основной базы данных. Основная база данных использовалась в качестве входных данных для программы, разработанной Pacific Meridian, которая использует SPLUS 4.5 для создания графиков профиля кластера и файлов базы данных Dbase для ввода в статистический анализ дерева классификации и регрессии (CART). И профили, и анализ CART были протестированы в качестве вспомогательных средств для разработки моделей. Графики профилей графически отображают взаимосвязь между спектральными и вспомогательными слоями данных и классами, встречающимися в конкретном кластере. Для каждого из 100 кластеров был разработан один профиль с использованием базы данных master. Для каждого профиля нанесено распределение слоев спектральных и вспомогательных данных. После просмотра профилей файлы базы данных использовались в качестве входных данных для анализа дерева классификации и регрессии (CART).Анализ CART создает графики дендрограмм и правила классификации на основе входных данных. Анализ CART был использован для создания первого проекта правил классификации.

После просмотра результатов было обнаружено две проблемы, из-за которых CART был признан неудачным. Первая проблема заключалась в том, что вспомогательные слои данных управляли моделями CART. В основном это было результатом различий в пространственном разрешении данных. Слой вспомогательных данных имел более низкое пространственное разрешение, чем изображения DOQQ, и поэтому слои вспомогательных данных не содержали достаточно подробной информации, чтобы сделать их полезными.Вспомогательные слои должны действовать как сито для фильтрации небольших различий, но это было невозможно из-за изображений DOQQ с высоким пространственным разрешением. Вторая проблема заключалась в том, что полевые участки размером 20×20 метров имели большую спектральную изменчивость, которая ограничивала или устраняла спектральные разрывы между различными типами растительности. В идеале полевые участки должны быть максимально однородными. Однако участки содержали другие классы растительности в дополнение к целевому классу растительности, что вызывало спектральную неоднородность на участках.Например, участок с деревьями содержал не только виды деревьев, но и пастбища между кронами деревьев, голую землю, а также другие виды деревьев (см. рис. 5).

Окончательная классификация изображений

Было принято решение отказаться от CART и выполнить стандартную неконтролируемую классификацию с использованием статистики для маркировки классов. Используя неконтролируемую классификацию 100 кластеров изображения леса/тени, созданного для CART, кластеры были помечены как: можжевельник, живой дуб, лиственные, пастбища или вода.Спутанные кластеры остались немаркированными. Затем были составлены два комплекта карт неконтролируемой классификации и доставлены в поле. Региональные карты были составлены в масштабе 1:10 000, а карты для конкретных объектов были созданы в масштабе 1:1200. Региональные карты использовались в первую очередь для навигации и для заметок об общем составе растительности на территории, в то время как карты целевых областей использовались для определения отдельных деревьев и групп на земле. Карты были проверены и использованы для обозначения запутанных кластеров.С помощью полевых записей каждому из кустов была присвоена предварительная метка: лиственный, живой дуб, можжевельник, трава или тень. В ходе дальнейшего процесса моделирования в конце проекта классы лиственных и пастбищных угодий будут расширены. Класс теней был добавлен в классификацию, когда было установлено, что невозможно отнести теневые кластеры к одному из других классов без модели. Проблемы с тенями были результатом пространственного разрешения изображений DOQQ и усугублялись в зависимости от времени суток и времени года, когда были сделаны исходные фотографии.

Была разработана модель для устранения теней деревьев за счет использования окружающей растительности. Перед запуском модели классы пастбищ, голой земли и воды из исходной 80-кластерной неконтролируемой классификации были объединены обратно в классификацию. Модель была разработана для присвоения значений затененным областям и областям, которые были неправильно классифицированы из-за солнечного освещения. Модель состояла из трех этапов: во-первых, запускался ортогональный мажоритарный фильтр, который удалял минимальное количество шума из классификации.Во-вторых, модель назначала тень соответствующему дереву (либо можжевельнику, либо живому дубу), что становилось более сложным в областях с густыми деревьями и тенями. На этом этапе модели использовались противоположно направленные клиновидные мажоритарные фильтры, ориентированные параллельно солнечному азимуту. На заключительном этапе использовалась функция фрагмента, чтобы удалить оставшуюся тень и заменить ее окружающей растительностью или растительностью, которая была покрыта тенью (рис. 6). Результаты модели показаны на рисунке 7.

 

Модель использует окружающую растительность для устранения теней.Рисунок 6

Классификация до и после теневого моделирования. Рисунок 7

 

4. Оценка точности

Всего было использовано 299 полевых делянок для оценки точности окончательной классификации растительности. Первоначальные участки 20×20 метров были пересмотрены и уменьшены до 5×5 метров, чтобы уменьшить неоднородность участков. Все полевые участки теперь были 25 квадратных метров (всего 25 пикселей).Для оценки точности все следующие классы были названы лиственными: клен, лиственный северный склон, лиственный южный склон, аллювиальный лиственный и лиственный нагорный. Причиной этого было то, что лиственные классы, за исключением клена, были основаны на 10-метровых ЦМР, а не на фактическом разделении видов. Класс оценки точности пастбищ включает живые пастбища/травяные и спящие пастбища/травянистые. Участки голой земли не собирались.

Матрица ошибок является стандартным способом представления результатов оценки точности (Story and Congalton, 1986).Это квадратный массив, в котором сайты оценки точности подсчитываются как по их классифицированной категории на изображении, так и по их фактической категории согласно справочным данным (Lachowski and Maus, 1996). Ниже приведена результирующая матрица ошибок для классов, собранных в Форт-Худе:

.

 

Справочные данные полевой делянки

	Лиственные	Трава/ травянистые	Можжевельник	Живой дуб	Дуб столбчатый	Вода
Лиственные	76		10		4
Трава/ травянистые	6	52	1	5	1
Можжевельник	4		38	19
Живой дуб			4	45
Дуб столбчатый	1		1		5
Вода						27

 

Классы растительности	Точность производителей		Точность пользователей
Лиственные	76/87	87 %	76/90	84 %
Луга/травянистые угодья	52/52	100 %	52/65	80 %
Можжевельник	38/54	65 %	38/61	62 %
Живой дуб	45/69	80 %	45/49	92 %
Столб дубовый	5/10	50 %	5/7	71 %
Вода	27/27	100 %	7/27	100 %

Общая точность: 243/299 = 81 %

 

Ошибки бездействия и ошибки совершения:

Классы растительности	Ошибки упущения		Ошибки совершения		Правильно
Лиственные	11/87	13 %	14/87	16 %	76/87	87 %
Луга/травянистые угодья	0/52	0 %	13/52	25 %	52/52	100 %
Можжевельник	16/54	30 %	23/54	43 %	38/54	70%
Живой дуб	24/69	35 %	4/69	6 %	45/69	67 %
Столб дубовый	5/10	50 %	2/10	20 %	5/10	50%
Вода	0/27	0 %	0/27	0 %	27/27	100%

 

Обсуждение оценки точности

Общая точность окончательной карты была очень хорошей — 81 %. Для расчета отдельных категорий была проведена оценка точности производителей и пользователей. Точность производителя — это процент времени, в течение которого класс растительности, определенный на земле, относится к той же категории на карте. Пользовательская точность — это процент времени, в течение которого класс растительности, указанный на карте, относится к той же категории на местности (Campbell, 1987). Общая точность пользователя была немного выше, чем общая точность производителя.

Матрица ошибок также показывает ошибки совершения (ошибки включения) и упущения (ошибки исключения).Ошибки комиссии возникают, когда область включена в категорию, хотя она не принадлежит к этой категории. Ошибки пропуска возникают, когда область исключается из категории, хотя она действительно принадлежит к этой категории (Congalton and Green 1999). Карта показала высокую ошибку пропуска в категории дубовых столбов. Это означает, что класс почтового дуба был недостаточно представлен на карте. С другой стороны, категория можжевельника имела высокую комиссию. Это означает, что класс можжевельника был чрезмерно представлен на карте.Вечнозеленые классы, можжевельник и живой дуб, составляли большую часть путаницы между классами карт.

Другие факторы, которые могут влиять на оценку точности, включают: размер выборки дуба не был достаточно большим, чтобы обеспечить высокий уровень достоверности в классе карты, образцы клена никогда не брались из-за отсутствия доступа, а невозможность собрать образцы голой земли могла повлиять на общую точность, а также на точность класса пастбищ/травянистых растений.

  

Результаты проекта и обсуждение

Хотя DOQQ, созданные из отсканированных фотографий, не являются идеальными изображениями для автоматической обработки изображений, результирующие классы, сопоставленные для Форт-Худа, имеют высокий уровень точности.На карте показан состав растительности на основании и неоднородный характер этой растительности. Разрешение исходных данных дает информацию не только о больших пробелах, но и о небольших пробелах, обнаруженных среди древесной растительности. Карта окажется полезной при оценке прошлого воздействия обучения на среду обитания диких животных, анализе фрагментации этой среды обитания, а также для изучения состава и последовательности растительных сообществ.

Было много переменных, которые повлияли на результаты этого проекта классификации изображений.Некоторые из этих переменных были препятствиями, которые были преодолены, другие не могли быть преодолены, но могли быть учтены в будущих проектах и ​​координации между проектами. Эти переменные рассматриваются ниже.

Отсканированные DOQQ

• Процесс сканирования для создания цифровых DOQQS привел к ухудшению объема данных, доступных для каждой цветовой полосы. На отсканированном изображении нет истинных красных или инфракрасных полос, доступны только аппроксимации этих полос, что затрудняет разделение различных классов растительности. Изменчивость, обнаруживаемая в каждой полосе, сведена к минимуму, в результате чего изображение не такое надежное, как другие продукты цифровых изображений. Чтобы преодолеть эту проблему, были построены модели, учитывающие солнечное освещение и затененные области.
• Поскольку аэрофотосъемка выполняется в разное время суток, а иногда и в последующие дни, цвет и направление теней на соседних изображениях могут различаться. Между изображениями существует некоторый тональный или цветовой баланс, но это не всегда объясняет все различия.Когда отдельные изображения объединены в мозаику, вводятся линии. Эти линии подчеркиваются с помощью автоматизированных методов обработки изображений, потому что подпись, представляющая тип растительности на одном изображении, может представлять другой тип растительности на другом изображении из-за различий в тонах или цвете. Чтобы решить эту проблему, области, которые были объединены в мозаику, были составлены из изображений со схожими характеристиками. Тем не менее, были введены строки, которые нужно было вручную удалить из окончательной классификации.

Пространственное разрешение изображения 1 метр

• При использовании данных с более низким пространственным разрешением один пиксель состоит из нескольких деревьев. С набором данных высокого разрешения 1 метр одно дерево состоит из нескольких пикселей. В результате отдельные деревья обычно отображали как минимум три различных спектральных сигнатуры в зависимости от угла солнечного освещения. Например, солнечная сторона кроны, верхняя часть кроны и затененная сторона кроны классифицируются по-разному.Опять же, модели, рассмотренные выше, решили эту проблему. Кроме того, ручное редактирование помогло очистить окончательную классификацию.

Путаница между классами Juniper и Live Oak

• Различные углы наклона солнца и отсутствие спектральной информации в DOQQ вызвали путаницу между этими классами. Разработка «псевдо» слоя NDVI помогла выделить эти классы, но, как показывает оценка точности, все еще существует некоторая путаница.

Изображения листвы и лиственных лесов

• Древесная растительность в Форт-Худе очень неоднородна, и можжевельник часто может доминировать над подлеском лиственных деревьев. Поскольку изображение было получено в феврале, ни одно из лиственных деревьев не покрыто листвой, а можжевельник часто просвечивает сквозь слой лиственного полога, что приводит к переоценке можжевельника в оверстори. Лиственный характер изображений также ограничивал способность различать лиственные виды или группы видов.Хотя мало что можно было сделать с завышенной оценкой можжевельника, лиственные классы были разделены на основе уклона и разрывов экспозиций, а такие классы, как столбовой дуб, клен и аллювиальные лиственные, были смоделированы, чтобы дать пользователю карты лучшее представление о возможных видах. группы. С получением изображений листьев есть вероятность, что многие лиственные виды или группы видов могут быть идентифицированы.

 

Ссылки Процитировано

Кэмпбелл, Дж.B., 1987. Введение в дистанционное зондирование , The Guilford Press, стр. 342-348.

Кэмпбелл, М.В. et al., 1998. Руководство по нанесению на карту растительности на армейских объектах , USAEWES TR EL-98-09, USACERL TR 98/118.

Конгалтон, Р.Г. and K.Green, 1999. Оценка точности данных дистанционного зондирования: Принципы и практика , J.G. Лайон (редактор), Lewis Publishers, стр. 45–47.

Лачовки, Х. и П. Мол, 1996 г. Руководство по использованию цифровых изображений для картирования растительности , Технический отчет EM-7140-25, Лесная служба Министерства сельского хозяйства США, стр. 55-62.

Story, M. and R.G.Congalton, 1986. Оценка точности: точка зрения пользователей, Photogrammetric Engineering and Remote Sensing, 58(9):1343-1350.

---

Информация об авторе

Пол Лехл
Ландшафтный архитектор
Инженерный корпус армии США
Центр инженерных исследований — Научно-исследовательская лаборатория строительства
Шампейн, Иллинойс
тел.) 217-352-6511 x7443
факс) 217-373-7251
p-loechl@cecer.армия.мил

Венди Гетц
Аналитик дистанционного зондирования/ГИС
Pacific Meridian Resources/Служба космической съемки
Солт-Лейк-Сити, Юта,
801) 325 1006
801) 325 1009
[email protected]

Чад Хендрикс
Старший аналитик дистанционного зондирования/ГИС
Pacific Meridian Resources/Служба космической съемки
Эмеривилль, Калифорния
510) 654 6980
510) 654 5774
chendrix@pacificmeridian.ком

Джули Коэн
Менеджер проекта
Pacific Meridian Resources/Служба космической съемки
Солт-Лейк-Сити, Юта,
(801) 325 1006
(801) 325 1009
[email protected]

The UCSD Map of Science

Abstract

Глобальные карты науки можно использовать в качестве справочной системы для определения карьерных траекторий, определения местоположения новых направлений исследований или профилей знаний институтов или наций.В этом документе подробно описывается подготовка данных, анализ и компоновка, выполненные при разработке и последующем обновлении карты науки и классификации UCSD. Первоначальная классификация и карта используют 7,2 миллиона статей и ссылок на них из Scopus Elsevier (около 15 000 названий источников, 2001–2005 гг.) , 2001–2004) – около 16 000 уникальных названий источников. Обновленная карта и классификация добавляют данные WoS за шесть лет (2005–2010 гг.) и данные Scopus за три года (2006–2008 гг.) к существующей структуре категорий, увеличив количество наименований источников примерно до 25 000.Насколько нам известно, это первый случай обновления широко используемой карты науки. Сравнение исходных 5-летних и новых 10-летних карт и системы классификации показывает (i) увеличение общего количества журналов, которые могут быть нанесены на карту, на 9 409 журналов (социальные науки увеличились на 80%, гуманитарные науки — на 119%). увеличение, медицинские (32%) и естественные науки (74%)), (ii) упрощение карты за счет отнесения всех, кроме пяти высоко междисциплинарных журналов ровно к одной дисциплине, (iii) более равномерное распределение журналов по 554 поддисциплинам и 13 дисциплин при расчете коэффициента вариации, и (iv) лучшее отражение кластеров журналов по сравнению с данными цитирования на уровне статей.При оценке карты со списком желаемых функций для карт науки показано, что обновленная карта имеет более высокую точность отображения, более легкую для понимания, поскольку меньшее количество журналов многократно классифицируется, и более удобное использование для создания наложений данных, среди прочего.

Введение

Картографические карты физических мест веками направляли исследования человечества. Помимо поддержки навигации, эти карты используются для обозначения национальных границ или минеральных ресурсов, для отображения потоков торговой деятельности или для обозначения областей политических волнений.Научные карты абстрактных семантических пространств призваны служить современным исследователям, путешествующим по миру знаний. Эти карты создаются путем научного анализа крупномасштабных наборов научных данных с целью извлечения, соединения и осмысления фрагментов знаний, которые они содержат [1], [2]. Научные карты можно использовать для получения обзора «всей науки» или конкретной дисциплины. Научные карты в сочетании с процессом картирования новых наборов данных можно использовать для визуального отображения и сравнения наложенных данных, например.g., финансирования по сравнению с данными публикации [3]. Научные карты могут помочь определить основные области исследований, экспертов, учреждения, коллекции, гранты, статьи, журналы и идеи в интересующей области. Они могут показать однородность по сравнению с неоднородностью, причину и следствие и относительную скорость прогресса. Они позволяют отслеживать появление, эволюцию и исчезновение тем и помогают выявить наиболее перспективные направления исследований.

1.1 Связанная работа

Обзоры усилий по составлению научных карт до 2007 г. показывают более 200 различных карт [4].Количество, разнообразие и сложность научных картографических работ с тех пор значительно возросли благодаря доступности научных данных в цифровом формате, разработке алгоритмов и увеличению вычислительной мощности, см. выставочные карты Mapping Science (http://scimaps.org). ). Каждая научная карта изображает абстрактное многомерное пространство с использованием различных наборов данных, справочных систем и графического дизайна. Очень немногие карты отображают все основные дисциплины научной деятельности – их также называют глобальными картами науки [5].Некоторые из этих карт нарисованы вручную, а другие созданы на компьютере. Некоторые зарисовывают опыт одного человека, в то время как другие отображают миллионы записей данных из разных источников. Для получения двухмерного представления науки используется множество различных алгоритмов анализа и компоновки данных. Например, в «Карте науки» 1996 года, составленной Смоллом [6], использовалась комбинация дробного подсчета цитирований и кластеризации совместного цитирования посредством многомерного масштабирования для извлечения четырехуровневой карты из Индекса научного цитирования 1996 года.Бояк, Клаванс и его коллеги создали четыре глобальные карты науки: Основа науки, Базовая карта 2002 года, Карта парадигмы, Карта науки UCSD, см. обсуждение и сравнение в [4]. Лейдесдорф и Рафолс [5] использовали данные Journal Citation Report, охватывающие журналы, включенные в Индекс научного цитирования (SCI), для создания карты тематических категорий Thomson Reuters и связанных журналов. Мойя-Анегон и др. в SCImago стремились создать графическое представление испанских научных исследований [7].

Недавняя работа Клаванса и Бояка сравнивает структуру 20 глобальных карт науки [8]. Они приходят к согласованной карте, сгенерированной из ребер, которые встречаются по крайней мере в половине входных карт. Карта консенсуса имеет круглую форму, соединяющую основные научные дисциплины в следующем порядке: «математика (произвольно) помещается в верхнюю часть круга, а за ней по часовой стрелке следуют физика, физическая химия, инженерия, химия, науки о Земле, биология, биохимия, инфекционные заболевания, медицина, здравоохранение, исследования мозга, психология, гуманитарные науки, социальные науки и информатика.Связь между информатикой и математикой замыкает круг». Пользователям необходимо научиться читать эти карты — точно так же, как они изучали карту мира в школе, — прежде чем они смогут использовать эти семантические справочные системы для понимания наложения данных.

Этот документ начинается с мотивации создания и использования, а также желаемых свойств общей системы классификации и базовой карты науки. В разделе 3 представлены методы, применяемые для создания исходной карты науки UCSD, и методы, применяемые для ее обновления, вместе с достигнутыми результатами и вариантами использования.В разделе 4 представлено сравнение исходной и обновленной карты, а также оценка свойств карты. Раздел 5 завершает документ обсуждением и прогнозом.

1.2 Потребности пользователей и исследовательские вопросы

При использовании в качестве инструмента для понимания важных достижений в области науки и техники карта всей науки имеет потенциальную ценность для широкого круга специалистов. Среди прочего, он может поддерживать изучение знаний и опыта, навигацию, управление и общение. Примеры групп пользователей и задач поиска информации включают:

• Студенты. Карты науки могут помочь учащимся получить обзор конкретной области знаний, определить основные области исследований, экспертов, учреждения, гранты, публикации, патенты, цитаты и журналы, а также их взаимосвязи, увидеть влияние определенных теорий и получить глобальная картина домена.

• Исследователи. Научные карты можно использовать для облегчения доступа к результатам исследований, соответствующим возможностям финансирования и потенциальным сотрудникам [9] внутри и за пределами областей исследования, а также для обнаружения социальных сетей и невидимых колледжей [10].

• Грантовые агентства/менеджеры по исследованиям и разработкам. Хотя карты науки не могут заменить информированную экспертную оценку или группы экспертов, их можно использовать в качестве инструментов для мониторинга (долгосрочных) денежных потоков и научных разработок, оценки стратегий финансирования различных программ, принятия обоснованных решений о продолжительности проектов и изучения схемы финансирования. Кроме того, их также можно использовать для определения влияния программ финансирования исследований [11]–[14], научных границ [15]–[18], динамики (скорости роста, диверсификации) научных областей [19], и дополнительные возможности.

• Агентство промышленности/национальной безопасности. Карты науки можно использовать для получения доступа к основным научным результатам, носителям знаний и т. д. Информация о необходимых технологиях может быть включена в карты, облегчая привлечение промышленности к конкретным направлениям исследований.

• Поставщики данных. Карты предоставляют уникальные визуальные интерфейсы для электронных библиотек [20]. Успешным примером является таксономия визуальной классификации, разработанная и используемая в проекте MACE.Портал [21] показывает с высоты птичьего полета иерархическую структуру из более чем 2800 терминов для тегирования ресурсов, позволяя пользователям искать и просматривать тысячи ресурсов в интерактивном визуальном процессе уточнения и поддерживая лучший доступ к цифровым ресурсам для преподавания и обучения. об архитектуре.

• общ. Широкая доступность карт всей науки может значительно улучшить передачу научных результатов широкой публике.

Хотя разным заинтересованным сторонам может потребоваться доступ к разным наборам данных и они могут предпочесть разное визуальное представление данных, крайне желательно иметь четко определенную общенаучную систему классификации. Визуальное представление системы классификации с помощью научной базовой карты полезно для визуального сравнения и интерпретации. Здесь мы перечисляем восемь желательных функций для карты системы классификации науки.

1. Используйте данные высочайшего качества/покрытия для создания системы классификации научных карт.Предпочтительно использовать данные на уровне статей, охватывающие все области, поскольку использование данных на уровне журналов или высокоцитируемых статей приводит к искажению структуры науки [22].

2. Использование передовых методов уменьшения размерности для преобразования многомерного сематического пространства в двумерную карту, которая сохраняет наиболее важные структуры данных [23].

3. Выберите кластеризацию и макет, которые имеют легко читаемые, отдельные кластеры, например, поддисциплины, которые имеют примерно одинаковое количество записей, не пересекаются (т.т. е., они не перекрываются и не перекрывают друг друга) и имеют значащие метки, облегчающие интерпретацию данных и передачу данных. Карта должна соответствовать мысленной модели предметной области типичного зрителя.

4. Используйте графическое оформление (код цвета, формы, размера) и легенду, понятные широкой аудитории. Система классификации и карта должны давать пользователям возможность формировать новые гипотезы и получать новые ответы.

5. Поддержка интерактивности, например, масштабирование, фильтрация, детализация по запросу [24].Многоуровневые карты, например, двухуровневые, включающие субдисциплины, объединенные в дисциплины, могут поддерживать исследования на разных уровнях агрегирования.

6. Определите процесс сопоставления для классификации новых данных и наложения их на карту, например, журналы на основе названий журналов и других записей, например, патентов, данных о финансировании на основе ключевых слов. Поскольку пользователям трудно с дробными ассоциациями/подсчетом, каждая запись должна быть связана с одной или несколькими поддисциплинами.

7. Карта науки и система классификации должны легко обновляться, чтобы отражать постоянно меняющуюся структуру науки.Вычислительный рабочий процесс должен быть хорошо задокументирован, чтобы в принципе его было легко понять и его могли воспроизвести другие специалисты. Обновления должны максимально сохранить основную структуру карты.

8. Согласование и сравнение любой новой научной карты и классификации с широко используемыми научными классификациями (например, классификациями, используемыми базами данных Thomson Reuters, Scopus Elsevier, Библиотекой Конгресса, Универсальной десятичной классификацией) и переводом основных онтологий на различные языков (Science-Metrix, [25].

Далее мы описываем примененные методы и результаты, полученные при разработке и обновлении карты классификации наук UCSD. В разделе 4 мы будем использовать вышеуказанные функции для оценки.

Методы и результаты

Дизайн карты науки и системы классификации требует выбора данных, очистки, анализа, компоновки и интерпретации. В этом разделе подробно описывается рабочий процесс, использованный для создания оригинальной карты UCSD 2005 года и системы классификации с использованием индексов цитирования науки, социальных наук, искусства и гуманитарных наук Thomson Reuters Web of Science (WoS) Elsevier’s Scopus и Thomson Reuters за 2001–2005 годы.Первоначальная генерация карты была направлена ​​на создание локально и глобально точной базовой карты науки [26]. Далее мы обсудим два независимых обновления карты, которые в конечном итоге были объединены для создания карты UCSD 2010 года. Обновление добавляет данные WoS за шесть лет (2005–2010 гг.) и данные Scopus за три года (2006–2008 гг.) к существующей структуре категорий — всего около 25 000 наименований источников. Он направлен на увеличение охвата карты, например, путем добавления журналов, появившихся после 2005 года, при сохранении основной структуры карты.Наконец, мы описываем текущее использование обновленной карты UCSD 2010 года в исследовательских службах и коммерческих инструментах.

3.1 Дизайн исходной карты UCSD 2005 г.

Научная карта UCSD была создана компанией SciTech Strategies весной 2007 г. в ответ на запрос Калифорнийского университета в Сан-Диего (UCSD). UCSD был заинтересован в измерении лидерства в исследованиях в различных областях науки. Обычно существующие системы классификации журналов, такие как тематические категории Thomson Reuters, используются для расчета количества публикаций и цитирований по предметной области и на человека/учреждение.Однако недавно стала доступна база данных Scopus, и она имела больший охват (около 15 000 названий источников), чем объединенные индексы цитирования Thomson Reuters (наука, социальные науки, искусство и гуманитарные науки) (около 9 000 названий источников). Было принято решение создать первую систему классификации журналов и связанную с ней карту науки, которая будет включать расширенный набор источников из источников Thomson Reuters и Scopus с улучшенным охватом и большей детализацией [26]. Мы планировали, что эта система классификации и карта станут стандартами, и большое внимание было уделено разработке методологии создания карты.Был использован многоэтапный процесс, аналогичный, но более сложный, чем процессы, использованные для наших предыдущих журнальных карт [9], [23]. ) и названия источников (далее именуемые журналами) из двух источников данных были сопоставлены и унифицированы.

Матрицы сходства журнал-журнал рассчитывались отдельно для каждой комбинации источника (Thomson и Scopus), года и типа объекта (цитируемые ссылки, ключевые слова).

Суммы были рассчитаны для каждой матрицы, и эти суммы были использованы для создания весовых коэффициентов для каждой матрицы. Восемнадцать отдельных матриц из (2) были объединены в единую матрицу журнала-журнала.

K50 (модифицированный косинус) значения подобия были сгенерированы для этой комбинированной матрицы.

Многоточечные журналы (те, которые с наибольшей вероятностью распределяются по нескольким категориям) были идентифицированы и удалены из матрицы.

Матрица подобия была отфильтрована, чтобы уменьшить количество ненулевых ячеек до первых n на журнал.

Этот отфильтрованный файл сходства использовался в качестве входных данных для двух раундов компоновки графика с кластеризацией, в результате чего был получен набор из 554 журнальных кластеров. Многоточечные журналы были добавлены обратно в решение, частично назначенные соответствующим кластерам. Каждый кластер (субдисциплина) был помечен вручную, используя названия журналов в качестве входных данных. Отнесение журналов к этим 554 поддисциплинам составило новую систему классификации журналов UCSD.

Было рассчитано сходство кластер-кластер, и каждому кластеру были назначены позиции с использованием комбинации макета графика и последующего масштабирования и проекции макета.Карта UCSD представляет собой визуальное изображение позиций 554 кластеров (субдисциплин) и доминирующих отношений (ребер) между ними.

Результатом является карта 554 кластеров журналов, составленная с использованием трехмерной (3D) схемы Фрухтермана-Рейнгольда в Pajek [27], см. (слева). Двумерную (2D) проекцию Меркатора можно увидеть (в центре). Поддисциплины были объединены в 13 дисциплин высокого уровня на основе естественного визуального группирования на карте и присвоенных им названий и цветов (см. таблицу в Приложении S1).

Визуализация карты UCSD: 2D-проекция Меркатора (слева) с тремя 3D-сферическими вставками (вверху), 1D-круговая карта (справа).

Обратите внимание, что левая сторона карты Меркатора соединяется с правой стороной.

Приведенное выше описание процесса недостаточно подробно, чтобы можно было воспроизвести систему классификации журналов или карту. Таким образом, дополнительная информация по каждому вышеописанному шагу представлена ​​в Приложении S1. Хотя подробности приведены в Приложении S1, а не здесь, два шага, описанных выше, заслуживают внимания, поскольку представляют собой значительный прогресс в области создания систем классификации журналов и карт.Во-первых, шаг (3) генерирует восемнадцать различных матриц, которые затем были сведены к одной матрице. Метод взвешивания и сокращения матриц был разработан, чтобы использовать наилучшую информацию, доступную для каждой пары журналов, и не наказывать пары журналов, когда информация недоступна в конкретной матрице. Он также был разработан для взвешивания влияния цитируемых ссылок (0,8) и ключевых слов (0,2) таким образом, чтобы это согласовывалось с нашим опытом относительно неоднозначности двух типов характеристик.Во-вторых, карта UCSD, насколько нам известно, единственная научная карта, созданная с римановой точки зрения. Использование сферы в качестве поверхности компоновки не предполагает декартовых границ (слева, справа, сверху, снизу) и позволяет создать непрерывную структуру связей.

Обратите внимание, что многие решения, рассмотренные выше и в Приложении S1, основаны на многолетнем опыте работы с данными публикаций и проведения научных исследований. Этот документ направлен на то, чтобы сделать текущий процесс создания карты максимально прозрачным.Однако требуется дополнительная работа в отношении выбора алгоритма, выбора параметров и пороговых значений, а также визуального дизайна карты для постоянной оптимизации точности и удобочитаемости карты науки и системы классификации UCSD.

3.2 Обновления, выполненные для создания карты UCSD 2010 года

За время, прошедшее с момента ее первоначального создания, карта UCSD 2005 года обновлялась дважды независимо двумя разными группами. Здесь мы расскажем об истории и деталях этих двух обновлений.

Обновление Scopus

В 2009 году карта UCSD 2005 года использовалась только в двух местах — в SciTech Strategies и в продукте Elsevier SciVal Spotlight (см. раздел «Развертывание карты UCSD»).Scopus индексировал гораздо больше исходных названий, чем в 2005 году. Таким образом, требовалось обновление, чтобы обновить покрытие системы классификации. SciTech Strategies внесла это обновление в июне 2009 г., добавив 7 464 новых наименования источников (2006–2008 гг.) из Scopus в существующую структуру категорий. Это было сделано путем определения всех новых журналов, которых не было в существующей системе классификации, а затем отнесения каждого нового журнала к одной из существующих категорий. Мы подсчитали, сколько раз журналы в каждой категории упоминались в статьях новых журналов.Каждый журнал был отнесен к категории, на которую он ссылался чаще всего, при условии, что он цитировал статьи в этом кластере не менее 10 раз. Хотя это обновление увеличило количество журналов Scopus в системе классификации на 47%, это привело к увеличению количества статей только на 13%. В добавленных журналах было гораздо меньше статей на журнал, чем в исходной системе классификации.

Обновление Web of science

Летом 2009 г. Центр киберинфраструктуры для сетевых наук Университета Индианы в сотрудничестве с SciTech Strategies добавил карту UCSD в свой инструмент Sci2 (см. раздел «Развертывание карты UCSD») для использования в качестве научной базовой карты для данных. накладки.Многие исследователи и практики используют инструмент Sci2 для анализа данных Web of Science, но система классификации UCSD включала только названия WoS за 2001–2004 годы. Таким образом, потребовалось обновление, чтобы включить 4021 новый журнал WoS, которые были добавлены с 2004 года. В 2011 году обновление WoS было выполнено совместно Обсерваторией наук и технологий (Канада) и Киберинфраструктурой для Центра сетевых наук в Университете Индианы. Кроме того, это обновление было сделано с целью разработки легко воспроизводимого и часто повторяемого процесса обновления, который можно будет использовать в будущем.Процесс обновления подробно описан здесь.

Начав со списка 15 849 журналов, охваченных исходной картой UCSD, и доступа к индексам цитирования Thomson Reuters Web of Science (WoS) Science, Social Science, Arts & Humanities Citation Index, мы определили все новые журналы, которые не были включены в исходную карту. список из 15 849 человек. Для каждого из 4021 нового журнала мы подсчитали количество ссылок на статьи, опубликованные в этом журнале, на каждую поддисциплину исходной карты.Здесь мы определяем цитирование в/из субдисциплины как цитирование (или из) статьи, опубликованной в журнале, который назначен этой субдисциплине в исходной карте (даже если только частично, как в случае междисциплинарных журналов). Это дало для каждого журнала количество исходящих и входящих цитирований для каждой субдисциплины исходной карты. Чтобы учесть тот факт, что некоторые субдисциплины публикуют больше статей, чем другие, и что, таким образом, вероятность цитирования и цитирования этими субдисциплинами выше, чем для более мелких, мы нормализовали каждый из этих подсчетов цитирования по общему количеству статей, опубликованных среди все журналы, отнесенные (даже частично) к этой субдисциплине.Этим новым журналам затем присваивалась высшая субдисциплина цитируемость/цитируемость. Чтобы облегчить составление карт и чтение карт, каждый журнал был отнесен ровно к одной поддисциплине, даже к таким междисциплинарным журналам, как PLoS ONE . Тщательный анализ мультидисциплинарных журналов в наборе из 4021 нового журнала показывает, что PLOS ONE и SCHWEIZERISCHE MEDIZINISCHE WOCHENSCHRIFT (Swiss Medical Weekly) имеют наивысшую совокупную относительную значимость по субдисциплинам, что вычисляется путем взятия суммы цитирований. и ссылки на этот журнал, нормализованные по количеству статей, опубликованных в каждой субдисциплине.Это имеет смысл, так как PLOS One похож на PNAS , а SMW — это общий медицинский еженедельник. За этими двумя журналами следуют журналы, которые имеют довольно небольшое количество статей (значения не являются статистически значимыми) или претерпели серьезные редакционные изменения, например, JOURNAL OF PHYSICAL CHEMISTRY C на третьем месте является недавним отделением от JOURNAL OF PHYSICAL. CHEMISTRY B , но не междисциплинарный химический журнал.

Для дальнейшего упрощения карты UCSD 2010 года были изучены все 40 журналов, которые были отнесены более чем к одной поддисциплине (см. шаг 5 выше) на исходной карте UCSD 2005 года.Учитывая, что всеобъемлющей схемы классификации на уровне статей не существует, каждая из статей, опубликованных в этих междисциплинарных журналах, классифицируется по каждой из специальностей, закрепленных за этими журналами, независимо от фактической специальности, к которой они относятся. Хотя отнесение некоторых журналов к нескольким поддисциплинам кажется привлекательным, учитывая широту их тематического пространства, мы считаем, что с точки зрения общего использования лучше отнести каждый журнал только к одной поддисциплине. Таким образом, мы обязались перераспределить эти 40 многопрофильных журналов по отдельным категориям.Это было сделано путем подсчета количества цитирований, которые они получили, и ссылок, которые они сделали на каждую из субдисциплин, как в абсолютных числах, так и нормализованных по общему количеству статей, опубликованных в этих цитируемых/цитируемых субдисциплинах. Самоцитирование журналов также было удалено. Затем мы вручную нашли точки отсечки в распределении абсолютных и нормализованных цитирований/ссылок, чтобы ограничить отнесение к нескольким субдисциплинам. Используя этот метод, мы смогли по отдельности выделить 6 из 40 междисциплинарных журналов. Science , Nature , Lancet , British Medical Journal и Journal of the American Medical Association относятся к числу исключений, которые все еще назначаются многократно. Полученная карта охватывает 22 005 журналов из данных WoS за последние десять лет.

Мы предполагаем, что карта будет использоваться для самых разных целей и на разных уровнях агрегирования — от картирования карьерных траекторий отдельных ученых до демонстрации сильных и слабых сторон целых наций.Каждое использование может выиграть от немного отличающегося назначения журналов субдисциплинам, например, как обрабатываются междисциплинарные журналы. Однако основная цель карты науки и системы классификации заключается в ее универсальности и полезности для различных приложений. Обновление сохраняет «визуальную» структуру исходной карты науки и классификации UCSD 2005 года, что позволяет сравнивать наложения данных, созданные с любой из двух карт.

Объединение обоих обновлений

Осенью 2011 г. оба обновления исходной карты UCSD 2005 г. были объединены, в результате чего была создана карта системы научной классификации UCSD 2010 г., которая охватывает данные WoS за десять лет и данные Scopus за восемь лет, а также 25 258 журналов. .

Каждый журнал относится к одной или нескольким из 554 поддисциплин. Каждая субдисциплина относится ровно к одной из 13 дисциплин; имеет набор ключевых слов; и он имеет координату x (широта, по горизонтали) и координату y (долгота, вертикаль), так что его можно нанести на карту в пространстве. Подробности о формате данных и схеме именования можно найти в Приложении S2.

Новые данные могут быть научно локализованы, т. е. отнесены к подмножеству из 554 субдисциплин с помощью названий журналов или ключевых слов.Для данных Scopus и WoS предусмотрены справочные таблицы названий журналов, т. е. почти все данные, загруженные из этих двух источников, можно сопоставить. Количество отображаемых записей обычно изображается размером узлов поддисциплины, который соответствует среднему количеству статей в год за все годы существования журнала с 2001 по 2010 год, и показывает примерные наложения данных.

Карта SciVal Spotlight одного учреждения, здесь UCSD, с указанием институциональных компетенций.

Каждый узел на круговой карте представляет собой компетенцию (группу связанных тем) и располагается в среднем месте его статей.Размер узла отражает количество статей. Цветные лучи в каждом узле показывают дисциплины, влияющие на компетенцию.

Визуализации Map of Science UCSD в настольном инструменте Sci2 (вверху) и на веб-странице VIVO (внизу).

На левой карте показан охват опытом четырех исследователей сетевых наук, подробности см. в учебнике Sci2. На правой карте показан опыт Колледжа искусств и наук Университета Индианы в Блумингтоне. Интерактивная карта доступна в Интернете по адресу http://vivo.iu.edu/vis/map-of-science/BL-ARSC).

Обратите внимание, что на карте науки и классификации UCSD ни одна (суб)дисциплина не важнее другой. Как и в любой другой системе классификации, например, в классификации Библиотеки Конгресса или в иерархии классификаций ACM, есть классы, которые имеют больше экземпляров. Хотя представляется желательным получить научную карту и систему классификации, в которой каждая субдисциплина имеет примерно одинаковый размер (обратите внимание, что существует несколько вариантов определения размера, например.г., количество частично присвоенных журналов/статей/патентов/ученых) это противоречит интересу к получению карты науки и системы классификации, которая является точной на местном и глобальном уровне.

3.3 Развертывание карты UCSD

Хотя научная карта UCSD изначально создавалась как сферическая карта, чаще всего используются двухмерная карта Меркатора и круговая научная карта. Карта Меркатора была включена в инструмент Sci2 [28] и программное обеспечение VIVO International Researcher Networking [29], а круговая научная карта используется в качестве визуальной основы для отображения карт компетенций университетов и стран в SciVal Spotlight™ компании Elsevier.Здесь мы обсуждаем оба развертывания.

Одномерная (1D) круговая карта (справа) дополнительно снижает сложность карты UCSD (посередине) при сохранении ключевой структуры 2D-карты. Он соответствует виду с «южного полюса» 3D-карты (слева). Кроме того, круговая карта согласуется с консенсусной картой (15 основных категорий, объединенных в круговую структуру с петлями), полученной в результате анализа структуры 20 различных карт науки [8]. Он упорядочивает 13 дисциплин в соответствии с одномерной римановой картой консенсуса из этой работы.Поддисциплины внутри каждой дисциплины и журналы внутри каждой поддисциплины упорядочиваются отдельно с использованием факторного анализа. Например, для химии (синий) ожидалось, что большинство ассоциаций между кластерами журналов будет найдено в наборе из пяти непрерывных областей. Таким образом, журнальные кластеры из Chemistry и из двух ограничивающих областей с каждой стороны (розовый, фиолетовый, голубой, коричневый), наряду с их сходством между кластерами, использовались в качестве входных данных для факторного анализа. Кластеры журналов в области «Химия» упорядочены в зависимости от их загруженности по доминирующему фактору.Тот же самый процесс был использован для всех тринадцати цветных областей карты, что привело к упорядочению всех 554 кластеров журналов по кругу. Пример того, как круговую карту можно использовать для демонстрации институциональных компетенций, показан на рис. Подробности о том, как проводится этот анализ, можно найти у Kosecki, Shoemaker & Baer [30] и Klavans & Boyack [26].

Карта науки UCSD 2010 года и система классификации были интегрированы в инструмент Science of Science (Sci2) [28] и программное обеспечение VIVO International Researcher Networking [29].Инструмент Sci2 представляет собой модульный набор инструментов, специально разработанный для изучения науки. Он поддерживает временной, геопространственный, тематический и сетевой анализ и визуализацию наборов научных данных на микро (индивидуальном), мезо (локальном) и макро (глобальном) уровнях. Его можно бесплатно загрузить с http://sci2.cns.iu.edu, он хорошо задокументирован на http://sci2.wiki.cns.iu.edu. Он широко используется в наукометрических исследованиях, образовании и практике с принятием крупными финансирующими агентствами США, такими как Национальный научный фонд, Национальные институты здравоохранения, Министерство сельского хозяйства США и Национальное управление океанических и атмосферных исследований.(вверху) показан пример визуализации данных публикации на научной карте. Международная исследовательская сеть VIVO использует семантическую веб-технологию для облегчения поиска исследователей и сотрудников по всей стране. Учреждения могут загрузить VIVO с http://vivoweb.org/download, заполнить его высококачественными институциональными данными и участвовать в сети. VIVO также предоставляет простые временные, тематические и сетевые визуализации, которые отвечают на вопросы что, когда и с кем соответственно [31].В частности, такие вопросы, как: «Сколько статей было опубликовано организацией или отдельным лицом за последние годы»; «Для конкретного ученого, кто его/ее основные сотрудники?» или «Какие профили опыта есть у конкретных людей или организаций и как они соотносятся друг с другом?» можно ответить. Научные карты используются, чтобы помочь ответить на последний вопрос. Пользователи VIVO могут просматривать организационную иерархию учреждения, например Университета Индианы, и запрашивать индивидуальные профили знаний на любом уровне, см. (внизу).В качестве альтернативы они могут сравнить до трех организаций, например, Школу информатики и вычислительной техники и Школу библиотечных и информационных наук.

Большинство применений любой научной карты ограничивается использованием одной базы данных для практических целей. Система классификации UCSD и карта дают пользователю возможность использовать один или оба этих исчерпывающих библиографических источника. Оба обновления включены в файлы данных, распространяемые вместе с этим документом.

Карта науки и системы классификации UCSD 2010 года распространяется под лицензией Creative Commons, Attribution-NonCommercial-ShareAlike 3.0 Неперенесенная (CC BY-NC-SA 3.0) лицензия (http://creativecommons.org/licenses/by-nc-sa/3.0/). Формат данных, словарь данных и условия использования подробно описаны в Приложении S2.

3.4 Основные характеристики и сравнение

Была проделана дополнительная работа по сравнению обновления WoS с исходной картой науки UCSD, чтобы показать, как обновленная карта соответствует «Желательным характеристикам карты науки», перечисленным в разделе 2. Мы решили дайте дополнительную характеристику обновлению WoS, поскольку оно, вероятно, будет использоваться гораздо шире, чем обновление Scopus, благодаря включению карты в инструменты Sci2 и VIVO.

перечисляет количество журналов из WoS и Scopus, которые включены в 5-летнюю и 10-летнюю карту науки UCSD. На исходную карту был добавлен ровно 4021 новый журнал WoS. Также показаны 7008 журналов из обновления на основе Scopus, см. Раздел 3 и (справа). Обратите внимание, что хотя добавление новых заголовков важно с точки зрения полноты и необходимо для поиска новых научных журналов, его влияние на структуру карты относительно невелико с точки зрения чисел. Из 1 885 278 записей Scopus за 2008 год (с использованием данных Scopus XML на конец 2009 года) только 219 711 (11.65%) связаны с добавленными заголовками. Таким образом, более 88% контента, связанного с системой классификации журналов и картой, получено в результате исходного тщательного процесса картирования.

Таблица 1

Охват журнала 5-летней и 10-летней карты науки UCSD.

06 06 06 WoS 91 685 13 520 91 685 4 021

#Journals	Карта за 5 лет	Карта за 10 лет	Разница
9 499
Скопус	14 789	22 253	7 464
WoS и Scopus	15 849	25 258	9 409

Как и следовало ожидать, добавление новых журналов меняет относительную важность дисциплин и специальностей на карте.представлено количество журналов по 13 дисциплинам для 5- и 10-летних карт. Он показывает, что охват общественных наук (социальные науки увеличились на 80%, гуманитарные — на 119%, медицинские (32%) и естественнонаучные (74%)) журналов. Как следствие, относительная важность социальных и гуманитарных наук увеличилась с 19% журналов на 5-летней карте до 35% на 10-летней карте. Точно так же (слева) показывает — что неудивительно — что журналы неравномерно распределены по разным подспециальностям, и что некоторые подспециальности в большей степени затронуты этим увеличением — хотя в большинстве подспециальностей наблюдается лишь небольшое увеличение (вставка), что предполагает, что 5- На годовой карте недооценены результаты исследований по этим специальностям.Также стоит отметить, что добавление этих журналов, а также реорганизация журналов, относящихся более чем к одной узкой специальности, привели к более равномерному распределению журналов по подспециальности, поскольку коэффициент вариации – нормализованная мера дисперсия распределений – для 10-летнего распределения журналов ниже, чем для 5-летнего распределения журналов. Всего с 554 субдисциплинами связано 66 759 уникальных терминов. Количество терминов на субдисциплину колеблется от 16 до 184.Почти все термины распределены дробно, а общий балл терминов по субдисциплинам колеблется от 0,69 до 124,5, см. (справа).

Количество журналов по дисциплине для 5-летней (серый) и 10-летней (черный) научной карты UCSD.

Количество журналов по поддисциплине для 5-летней (серые/красные кружки) и 10-летней (черная линия) научной карты UCSD.

Врезка: распределение прироста количества журналов по каждой специальности (а). Количество (дробно назначенных) терминов по 554 субдисциплинам (б).

Сравнение с желательными свойствами

В разделе 2 мы представили список восьми желательных свойств для создания карт науки. Мы используем эти критерии здесь, чтобы рассмотреть 10-летнюю карту науки UCSD.

1. В новой карте используются самые последние данные двух самых полных поставщиков библиографических данных, существующих сегодня: WoS и Scopus. Существует много возможностей для добавления других данных, например, Google Scholar или Google books, публикации конференций из Citeseer и т. д.Тем не менее, два текущих набора данных охватывают большинство исследований, опубликованных в журналах. Кроме того, данные имеют высокое качество, особенно по сравнению с наборами данных, сканируемыми из Интернета.

2. Как было показано в предыдущих публикациях, карта науки UCSD использует методы уменьшения размерности, которые сохраняют наиболее важную структуру [23].

3. Карту нужно выучить — так же, как и географическую карту нашего мира. Это двухуровневая карта — 13 дисциплин с цветовой кодировкой и маркировкой и 554 поддисциплины с различными позициями x, y — которая поддерживает наложение данных генерации и исследования на двух уровнях.

4. Для базовой карты используется простая компоновка узлов субдисциплин, соединенных ссылками. Наложения данных используют простое кодирование цвета, формы и размера. Инструмент Sci2 предоставляет легенду, а онлайн-карта VIVO содержит всплывающую подсказку.

5. Карта была развернута онлайн для поддержки интерактивности, например, масштабирование, фильтрация, детализация по запросу, см. пример VIVO. VIVO также облегчает исследования на разных уровнях агрегирования, здесь уровень дисциплины и уровень субдисциплины.

6. Новые данные могут быть «научно локализованы», т. е. наложены на карту на основе названий журналов или ключевых слов, связанных с записью. Все новые журналы были отнесены ровно к одной субдисциплине, чтобы свести к минимуму путаницу, вызванную дробными ассоциациями/подсчетом. Лишь несколько узкодисциплинарных журналов, в том числе Nature, Science и PNAS , связаны с несколькими поддисциплинами.

7. В этом документе описан рабочий процесс [23], применяемый для создания 5-летней карты и ее обновления с уровнем детализации, позволяющим экспертам воспроизвести создание карты.Обновление карты сохраняет основную структуру карты, включая количество дисциплин и поддисциплин. Последовательные карты могут быть анимированы с течением времени, чтобы сообщить о постоянно развивающейся структуре науки. В настоящее время количество субдисциплин фиксировано, но оно может быть изменено в будущих обновлениях.

8. Для упрощения картирования новых данных предоставляются таблицы поиска очищенных названий журналов, снабженные 10-летней картой UCSD по науке и названиям журналов, поскольку пользователь может загрузить их из WoS и Scopus.Согласование структуры карты с широко используемыми научными классификациями, например, классификациями, используемыми базами данных Thomson Reuters, Scopus Elsevier, Библиотекой Конгресса или ScienceMetrix (http://www.science-metrix.com/OntologyExplorer), желательно, но не сделано.

Обсуждение

Текущая работа направлена ​​на изучение возможности использования карты науки и классификации UCSD с использованием формальных и неформальных исследований удобства использования, проведенных в рамках проекта VIVO и усилий по разработке инструментов Sci2.Ожидается, что разные группы пользователей — от новичков до экспертов — будут читать и интерпретировать карту по-разному и использовать ее для разных целей. Другое направление исследований направлено на обеспечение точности карт всех наук на локальном и глобальном уровнях. В [32] был рассмотрен широкий спектр мер сходства на основе цитирования. Все они симметричны, что проблематично, поскольку цитата из статьи Science или Nature , вероятно, насчитывает более одной цитаты из журнала с низким рейтингом.Бояк, Бернер и Клаванс [23] и Бояк, Ньюман, Духон, Клаванс, Патек и др. [33] исследовали потребность в данных о цитировании при создании точных карт науки. Однако использование только ссылок цитирования в качестве меры сходства несовершенно, поскольку цитирования следуют за социальными сетями, зависят от возраста публикации и количества ранее полученных цитирований. Сочетание связи и актуальных данных представляется желательным. Научная карта UCSD 2010 года основана как на данных о связях, так и на данных ключевых слов, и, таким образом, отвечает этому желанию.Недавняя работа Бояка и Клаванса переориентирует анализ кластеров журналов на анализ кластеров статей [22], [26]. Мы ожидаем дальнейших обновлений карты системы научной классификации UCSD 2010 года и планируем разработать более надежную систему управления версиями.

Ссылки

1. Шиффрин Р.М., Бёрнер К. Картирование областей знаний. ПНАС. 2004. стр. 5183–5185. [Бесплатная статья PMC] [PubMed]

2. Börner K, Chen C, Boyack KW. Визуализация областей знаний. В Cronin B, редактор. Ежегодный обзор информационных наук и технологий.2003. стр. 179–255.

3. Бояк К.В., Бёрнер К. Оценка с помощью индикаторов и финансирование исследований: визуализация влияния грантов на количество и число цитирований научных статей. Журнал Американского общества информационных наук и технологий. 2003;54(5):447–461. [Google Академия]4. Бёрнер К. Атлас науки: визуализация того, что мы знаем. Кембридж: MIT Press. 2010. [Бесплатная статья PMC] [PubMed]5. Лейдесдорф Л., Рафолс И. Глобальная карта науки, основанная на предметных категориях ISI.Журнал Американского общества информационных наук и технологий. 2009;60(2):348–362. [Google Академия]6. Смолл Х. Визуализация науки с помощью карты цитирования. Журнал Американского общества информационных наук. 1999;50(9):799–813. [Google Scholar]

7. Варгас-Кесада Б., де Мойя-Анегон Ф. Визуализация структуры науки. Берлин: Springer-Verlag. 2007.

8. Клаванс Р., Бояк К.В. На пути к консенсусной карте науки. Журнал Американского общества информационных наук и технологий.2009;60(3):455–476. [Google Академия]9. Бояк КВ. Использование подробных карт науки для определения потенциального сотрудничества. наукометрия. 2009;79(1):27–44. [Google Scholar]

10. Крейн Д. Невидимые колледжи: распространение знаний в научных сообществах. Чикаго: Издательство Чикагского университета. 1972.

11. Бурк П., Батлер Л. Эффективность различных способов финансирования исследований: перспективы австралийских данных по биологическим наукам. Политика исследований. 1999;28(5):489–499. [Google Академия] 12.Джайн А., Гарг К.С., Шарма П., Кумар С. Влияние финансирования SERC на исследования в области химических наук. наукометрия. 1998;41(3):357–370. [Google Академия] 14. Льюисон Г., Доусон Г. Влияние финансирования на результаты биомедицинских исследований. наукометрия. 1998;41(1–2):17–27. [Google Академия] 15. Бояк К.В., Уайли Б.Н., Дэвидсон Г.С. Визуализация предметной области с помощью VxInsight для управления наукой и технологиями. Журнал Американского общества информационных наук и технологий. 2002;53(9):764–774. [Google Scholar]

16.Ирвин Дж., Мартин Б.Р. Форсайт в науке: выбор победителей. Лондон и Дувр: Frances Pinter Pub Ltd. 1984.

17. Polanco X, Francois C, Lamirel JC. Использование искусственных нейронных сетей для картографирования науки и техники: подход с несколькими самоорганизующимися картами. наукометрия. 2001;51(1):267–292. [Google Академия] 18. Швеххаймер Х., Винтерхагер М. Сопоставление междисциплинарных направлений исследований в нейробиологии: библиометрический взгляд на ретроградную амнезию. наукометрия. 2001;51(1):311–318. [Google Академия] 19.Швеххаймер Х., Винтерхагер М. Высокодинамичные специальности в исследованиях климата. наукометрия. 1999;44(3):547–560. [Google Scholar]

20. Бёрнер К., Чен С. Визуальные интерфейсы для цифровых библиотек. Берлин: Springer Verlag. 2003.

22. Клаванс Р., Бояк К.В. Использование глобального картографирования для создания более точных карт областей исследований на уровне документов. Журнал Американского общества информационных наук и технологий. 2011;62(1):1–18. [Google Академия] 23. Бояк К.В., Бёрнер К., Клаванс Р. Картирование структуры и эволюции химических исследований.наукометрия. 2009;79(1):45–60. [Google Scholar]

24. Шнейдерман Б. У глаз есть это: Задача по таксономии типов данных для визуализации информации. В материалах симпозиума IEEE по визуальным языкам. Вашингтон, округ Колумбия: Компьютерное общество IEEE. 1996. С. 336–343.

26. Клаванс Р., Бояк К.В. На пути к объективному, надежному и точному методу измерения лидерства в исследованиях. наукометрия. 2010;82(3):539–553. [Google Scholar]

27. Де Нуй В., Мрвар А., Батагель В. Исследовательский анализ социальных сетей с Паджеком.Кембридж, Великобритания: Издательство Кембриджского университета. 2011.

28. Börner K, Boyack KW, Linnemeier MW, Duhon RJ, Phillips PA, et al. Sci ² Инструмент: Инструмент для научных исследований и практики, Киберинфраструктура для сетевого научного центра: Блумингтон, Индиана. 2010. Доступно: http://sci2.wiki.cns.iu.edu. По состоянию на 17.29 июня 2012 г. VIVO: создание национальной сети ученых. Доступно: http://vivoweb.org. По состоянию на 17:30 июня 2012 г. Косецки С., Шумейкер Р., Баер К.К. Сфера применения, характеристики и использование стандарта U.С. Внутреннее исследование Министерства сельского хозяйства. наукометрия. 2011;88(3):707–728. [Google Scholar]

31. Бёрнер К., Бояк К.В., Милоевич С., Моррис С. Введение в науку о моделировании: основные типы моделей, ключевые определения и общая основа для сравнения моделей процессов. В Scharnhorst A, Börner K, van den Besselaar P, редакторы. Модели научной динамики: встречи между теорией сложности и информатикой. Спрингер Верлаг. 2012.

32. Бояк К.В., Клаванс Р., Бёрнер К.Картирование основы науки. наукометрия. 2005;64(3):351–374. [Google Академия] 33. Бояк К.В., Ньюман Д., Духон Р.Дж., Клаванс Р., Патек М. и др. Кластеризация более двух миллионов биомедицинских публикаций: сравнение точности девяти текстовых подходов к сходству. ПЛОС ОДИН. 2011;6(3):1–11. [Бесплатная статья PMC] [PubMed] [Google Scholar]

Adirondack Park Agency Maps and GIS

Агентство Adirondack Park (APA) использует ГИС для понимания и поддержки природные и культурные ресурсы парка.

Эта страница содержит образцы КАРТ Агентства, ДАННЫХ, СТАТИСТИК и АНАЛИЗА.

Вот краткая история ГИС в Адирондакском парке.

План землепользования и развития парка Адирондак Карта и Государственная земельная карта
2021 Факсимиле официальной карты зонирования с классификацией частных и государственных земель.Также включает Адирондакскую часть системы диких, живописных и рекреационных рек штата Нью-Йорк. Посмотреть интерактивную карту. Посмотреть полноразмерную карту в формате PDF — август 2021 г. (26 МБ) Конечные точки REST: Feature Service, Tile Service Загрузить шейп-файл 2021, подходящий для использования с программным обеспечением ГИС. (42 МБ apaLandClass202111.zip) Просмотреть статистику площадей государственных и частных земель за 2017 год по округам, городам или деревням.
Телекоммуникационные башни
Adirondack Park Cellular Towers Карта Новые и существующие конструкции для которых APA разрешил использование сотовой связи (1993 г. — 10 апреля 2021 г.). Карта просмотра обновлена ​​10 апреля 2021 г. Полный список разрешенных построек и другую важную информацию см. в разделе «Информация о башнях Адирондак Парк».
Карта телекоммуникационных разрешений Adirondack Park Новые и существующие конструкции для которых APA разрешил (1993 г. — 10 апреля 2021 г.). Карта просмотра обновлена ​​10 апреля 2021 г. Полный список разрешенных построек и другую важную информацию см. в разделе «Информация о башнях Адирондак Парк».
Карта генерального плана земель штата Адирондак-Парк — издание от июня 1972 г.
Издание карты генерального плана земельного участка штата Адирондак-Парк за июнь 1972 года, подготовленное Агентством Адирондак-Парк штата Нью-Йорк, Нельсон А. Рокфеллер, губернатор.Обозначает дикую местность, район каноэ, примитивный район, дикий лес, земли с интенсивным использованием в то время. посмотреть карту (pdf 1.4MB)
Информационный центр для посетителей парка Карта — 2003
«Парк Адирондак — карта государственных лесных угодий, гор и вод» Карта туризма Центра интерпретации посетителей парка Адирондак (VIC) 2003 года.Включает Adirondack Gazetteer, показывающий расположение государственных земельных единиц, населенных пунктов, крупных озер, основных гор и государственных кемпингов. Агентство Adirondack Park больше не управляет VIC Paul Smiths или Newcomb VIC. посмотреть карту в формате PDF (11MB) просмотреть уменьшенное изображение карты (2 МБ)
Парк Оценка населения городов по данным переписи населения 2000 и 2010 гг.
Перепись населения городов в пределах парка Адирондак с оценками для переписных кварталов, расположенных на границе парка. Посмотреть слайд-шоу «Карта 2010» (pdf, 2,4 МБ) Просмотр карты 2000 Просмотр слайд-шоу (pdf 408kb) Также доступны дополнительные оценки сезонной популяции и несколько слоев данных KMZ региона Адирондак за 2010 г.
Население в пределах одного дня езды
Возник вопрос, «как много людей живет в нескольких днях езды от парка Адирондак?» Эта карта и анализ ГИС, лежащий в ее основе, используют данные переписи населения США и Канада ограничены 350-мильным буфером вокруг Адирондака. Парк.Наше предположение о дневной поездке на автомобиле было основано на 7-часовом путешествии. день со средней скоростью 50 миль в час. Итак, сколько людей всего в дне пути? около 84 млн. человек, в том числе около 18 000 000 канадцев и 66 000 000 американцев.	посмотреть карту (pdf 640kb)
Сервитуты
Государственные сервитуты в парке Адирондак из данных округа за 2015 год.Участки были идентифицированы с использованием данных сервитутов Департамента охраны окружающей среды штата Нью-Йорк (NYS DEC). просмотреть карту (pdf 928 КБ) просмотреть интерактивную карту Конечная точка REST
Исторический лесной заповедник
125 лет — штат Нью-Йорк Адирондак Земли лесопаркового заповедника — 1892 и 2017 посмотреть карту image посмотреть карту pdf
Земельный покров
Земельный покров парка Адирондак из данных о национальном растительном покрове Геологической службы США Интерпретация Геологической службой США общих типов лесного покрова в Соединенных Штатах. посмотреть карту (pdf 966kb)
Школы
Школьные округа Адирондак Парк карта посмотреть карту
Защита от обзора
Город Дневной Смотровая площадка Защитная зона посмотреть карту (pdf 2.9 МБ) просмотреть слайд-шоу процесса анализа (pdf 1,4 МБ)
Почтовые индексы
Почтовый индекс Adirondack Park Карта районов посмотреть карту (pdf 585kb)
Историческое использование снегохода в лесном заповеднике
Государственный земельный генеральный план (SLMP) определяет «ограничение пробега» снегоходных трасс на момент его принятия в 1972 году.Однако точное расположение этих троп не указано. Это вызывает вопросы? Где были те следы?? Эта карта является воссозданием брошюры о тропах для снегоходов от декабря 1972 года под названием: Маршруты для снегоходов в штате Нью-Йорк (10/1972) посмотреть карту (pdf, 1 МБ)
Маршруты военной подготовки
Карта маршрутов военной подготовки Национальной гвардии Нью-Йорка в Адирондаке, или MTR. посмотреть карту (pdf 603kb)
Вода, полностью окруженная лесным заповедником
Карта озер и прудов, полностью окруженных лесным заповедником. посмотреть карту (pdf 965kb) Графики Топ-20 крупнейших озер Озера и пруды по площади Озера и пруды по классификации
Транспортный коридор Ремсен-Лейк-Плэсид Возможности для отдыха
Карта маршрутов и дорог, прилегающих к туристическому центру Ремсен-Лейк-Плэсид. посмотреть карту (pdf 1000 КБ) Карта существующих возможностей для отдыха и ограничения природных ресурсов вдоль северной части туристического маршрута Ремсен-Лейк-Плэсид. посмотреть карты (pdf 3.84 Мб) ОБНОВЛЕНО 28.02.14

 

Блюлайн
Граница парка Адирондак.Этот пограничный файл не должен использоваться для юридических юрисдикционных определения. дополнительная информация	посмотреть онлайн карту	шейп-файл Служба функций REST
План землепользования и развития парка Адирондак Карта и Государственная земельная карта
Февраль 2021 Данные ГИС частной и государственной классификации земель.метаданные	посмотреть онлайн карту	шейп-файл (42 МБ) Служба плиток REST Служба функций REST
Система обозначенных рек
Адирондак, часть дикой, живописной и рекреационной системы рек штата Нью-Йорк. метаданные	посмотреть онлайн карту	ZIP-файл шейп-файла (1 МБ) Служба функций REST
Пресноводные водно-болотные угодья
Следующие два уровня данных о водно-болотных угодьях предназначены для помощи общественности в планировании проектов в парке Адирондак.Данные могут не отображать все водно-болотные угодья, присутствующие в районе, или точные границы водно-болотных угодий.   Для определения того, требуется ли разрешение на водно-болотные угодья, планировщикам проектов рекомендуется обращаться к сотрудникам Агентства. Сотрудникам Агентства может даже потребоваться посетить объект, чтобы оценить, будут ли затронуты водно-болотные угодья запланированным проектом, и определить, требуется ли разрешение . Для получения дополнительной информации ознакомьтесь с нашей брошюрой о пресноводных водно-болотных угодьях.
Официальные водно-болотные угодья штата Нью-Йорк — нормативные водно-болотные угодья в частях парка Адирондак в округах Клинтон, Эссекс, Льюис, Онейда и Уоррен, введенные в действие в соответствии со статьей 24 Закона об охране окружающей среды (Закон о пресноводных водно-болотных угодьях)	посмотреть онлайн карту	данные загрузки Страница AGOL Служба плиток REST
Типы покрытия водно-болотных угодий — Пресноводные водно-болотные угодья парка Адирондак нанесены на карту Агентством парка Адирондак при финансовой поддержке Агентства по охране окружающей среды.Водно-болотные угодья нанесены на карту по основным водоразделам в парке. метаданные	посмотреть онлайн карту	данные загрузки Служба плиток REST
Данные переписи 2010 г. Adirondack Park Region
Агентство Adirondack Park обрабатывает данные переписи населения США 2010 года для части северной части штата Нью-Йорк.
Места		мест по переписи 2010 года.кмз
Города и города		county_sub2010census.kmz
Школьные округа		school_districts.kmz
Переписные участки		участков2010перепись.кмз
Переписные кварталы для парка Адирондак (13 МБ данных ГИС в формате файловой базы геоданных Esri)		Zip-файл файловой базы геоданных

 

2018 год Классификация землепользования парков Статистика площади
Площадь государственных и частных земель и процент по округам.	Статистика за 2018 год
2017 Классификация землепользования парков Статистика площади
Классы государственных и частных земель в акрах и процент по округам.	Статистика за 2017 год
Классы государственных и частных земель в акрах по округам, городам и деревням.	Статистика за 2017 год
2014 Парк Классификация землепользования Статистика площади
Классы государственных и частных земель в акрах и процент по округам.	Статистика за 2014 год
2011 Парк Классификация землепользования Статистика площади
Классы государственных и частных земель в акрах и процент по округам.	Статистика за 2011 год
2009 г. Классификация землепользования парков Статистика площади
Классы государственных и частных земель в акрах и процент по округам.	Статистика за 2009 год
2007 Классификация землепользования парков Статистика площади
Классы государственных и частных земель в акрах и процент по округам.	Статистика за 2007 год
2003 Классификация землепользования парков Статистика площади
Классы государственных и частных земель в акрах и процент по округам.	Статистика за 2003 год
2000 Классификация землепользования парков Статистические данные о площади
Классы государственных и частных земель в акрах и процент по округам.	2000 статистика
Население – сезонная оценка
Оценка на основе участков, классифицированных как сезонное место жительства в 2006 г., в сочетании с количеством людей на домохозяйство по данным переписи населения США в 2000 г.	статистика просмотров (pdf 23кб)

 

Парк Оценка населения округов по данным переписи 2010 г.
Оценка численности населения парка Адирондак в 2010 г.	просмотреть слайд-шоу (pdf 2,4 МБ)
Парк Оценка населения округов по данным переписи 2000 г.
Оценка численности населения парка Адирондак в 2000 г.	просмотреть слайд-шоу (pdf 408kb)
Картирование исторических фотографий
Историческое фото Географическое Инвентаризация — руководство по геокодированию Фото Библиотеки Конгресса Изображения разработаны агентством Adirondack Park.	посмотреть статью (pdf 83kb)
Совет. Преобразование шейп-файла ГИС в трек GPS
Один из вариантов загрузки слоя формы ГИС в устройство GPS в качестве трека для справки в полевых условиях. Не предназначен для поддержки каких-либо конкретных поставщиков.	просмотреть слайд-шоу (pdf 1,1 МБ)
Анализ зоны защиты зоны видимости
Город Дей Анализ охраняемой зоны обзора Презентация на конференции NYS GIS 2007.	просмотреть слайд-шоу (pdf 1,4 МБ)
Картографирование покровов водно-болотных угодий
EPA финансируется APA Wetland и Отчеты о водоразделах	указатель к отчетам
Картографирование водно-болотных угодий с помощью аэрофотоснимков с помощью Stereo Analyst для ArcGIS
Слайд-шоу картографирования удаленных водно-болотных угодий с использованием технологии 3D-визуализации.	просмотреть слайд-шоу (pdf 4,6 МБ)

 

Комната для тележек

В подвале штаб-квартиры АПА есть комната под названием «Комната для тележек». Корзина — это сокращение от Картография. С годами эта комната была заполнена чертежными столами, коробками, набитыми негабаритные свернутые карты и плоские папки, вмещающие почти 200 ящиков «четверных» карт.Чертежные ручки и майлар начали давать Путь в 1981 году к нашему первому компьютеру ласково, но осторожно под названием «ХАЛ». Это было до дней DOS, когда «оцифровка» была неизвестной концепцией для большинства из нас.

Hal был заменен на мини-компьютер, затем на UNIX, затем на Windows. Когда эти компьютеры были еще в меньшинстве, их называли Колвин, Марси и Хадсон. Принтеры и плоттеры назывались Уинслоу, Гомер и Тейт в честь художников Адирондака.Теперь ПК на каждом рабочий стол — слишком много, чтобы назвать.

Когда-то Адирондак был «неизведанными землями». Исследователи/картографы как Верпланк, Колвин и Сенека, Рэй Стоддард начал наносить на карту пустыне, предоставляя нам ссылку для подражания. В 1980-х и 90-х, цифровые карты Адирондака, составленные APA, принесли эти земли в авангарде современного картографирования в штате и, возможно, страна.

Взгляд на APA «Система поиска». Описывает, как ГИС используется в штаб-квартире APA для поиска проектов. по отношению к ресурсам парка. Система поиска не он-лайн ГИС-приложение.

Интернет-карты и ресурсы данных

У агентства Adirondack Park есть несколько интерактивных карт, доступных здесь.

Потоковые географические данные (конечные точки APA REST) ​​для использования в ваших картографических приложениях доступны здесь.

Эти карты и данные не должны использоваться для определения юрисдикции. Пожалуйста, свяжитесь с агентством для классификации вашей собственности.

Скачать данные ГИС APA

Данные ГИС АПА

АПА на ArcGIS.com
Пакеты слоев APA с символикой и метаданными для границы парка, класса земли и водно-болотных угодий.Должен иметь ArcGIS 9.3.1 или выше.

Репозиторий геопространственной информации Корнельского университета (CUGIR)

 

 

Просмотрите исторические карты с высоты птичьего полета, собранные в Библиотеке Конгресса для нескольких населенных пунктов в парке Адирондак. Загрузите файл kmz для просмотра в Google Earth (для kmz 4,4 МБ требуется программное обеспечение Google Earth).

Классификация засухи | Монитор засухи США

Воздействия по штатам

Карта «Монитор засухи» определяет области засухи и маркирует их по степени интенсивности. D1 — наименее интенсивный уровень, а D4 — самый интенсивный. Засуха определяется как дефицит влаги, достаточно сильный, чтобы иметь социальные, экологические или экономические последствия

Области D0 не находятся в засухе, но находятся в аномально засушливых условиях, которые могут перерасти в засуху, или восстанавливаются после засухи, но еще не вернулись к норме.

Мы указываем, связаны ли первичные физические эффекты с краткосрочной или долгосрочной засухой:

• S = Краткосрочные, обычно менее 6 месяцев (сельское хозяйство, пастбища)
• L = долгосрочный, обычно более 6 месяцев (гидрология, экология)
• SL = Зона подвержена как краткосрочным, так и долгосрочным воздействиям

Категории интенсивности засухи основаны на:

• исходные пять ключевых показателей вместе с несколькими десятками других объективных показателей
• отчеты о местных условиях и отчеты о воздействиях от более чем 450 экспертов-наблюдателей со всей страны
• воздействия засухи, которые субъективно подтверждают и подтверждают используемые индикаторы

Индикаторы

---

В таблице классификации степени засухи показаны диапазоны для каждого показателя для каждого уровня засушливости.Поскольку диапазоны различных индикаторов часто не совпадают, окончательная категория засухи, как правило, основывается на том, что показывает большинство индикаторов, и на местных наблюдениях. Аналитики, составляющие карту, также взвешивают индексы в зависимости от того, насколько хорошо они работают в разных частях страны и в разное время года. Дополнительные индикаторы часто необходимы на Западе, где зимний снегопад в горах оказывает сильное влияние на водоснабжение. Именно это сочетание наилучших доступных данных, местных наблюдений и лучших суждений экспертов делает U.S. Монитор засухи более универсален, чем другие индикаторы засухи.

Смеси краткосрочных индикаторов засухи ориентируются на осадки в течение 1-3 месяцев. Долгосрочные смеси ориентированы на 6-60 месяцев. Дополнительные используемые индексы, в основном в течение вегетационного периода, включают влажность верхнего слоя почвы USDA/NASS, индекс засухи Китча-Байрама (KBDI) и спутниковые индексы здоровья растительности NOAA/NESDIS. Индексы, используемые в основном в снежный сезон и на Западе, включают содержание воды в снеге, осадки в речных бассейнах и индекс поверхностных вод (SWSI).Другие индикаторы включают уровень грунтовых вод, объем водохранилища и состояние пастбищ/угодий.

Предостережения по использованию монитора засухи в США

---

Монитор засухи в США предоставляет последовательную общую картину засушливых условий в Соединенных Штатах. Хотя он основан на многих типах данных, в том числе на наблюдениях местных экспертов по всей стране, мы не рекомендуем использовать его, чтобы делать выводы о местных условиях. Его, безусловно, можно использовать для выявления вероятных областей воздействия засухи, включая нехватку воды, но лица, принимающие решения, во многих случаях успешно принимают меры по снижению уязвимости к засухе.Крупные городские системы водоснабжения, как правило, имеют разнообразные запасы воды и могут поддерживать поток воды как в засушливые, так и во влажные годы.