Алгоритмы ГИС. Теория и применение геоинформационных систем и технологий

В этой книге обсуждаются концептуальные основы географических информа- ционных систем (ГИС) – важнейшие алгоритмы, составляющие фундамент многих операций над пространственными данными. Проследив, как эти данные подаются на вход алгоритма и как алгоритм используется для получения конечного резуль- тата, читатель поймет два важных аспекта ГИС: что на самом деле представляют собой геопространственные данные и как они обрабатываются. В книгу включены алгоритмы, которые обеспечивают измерение важных про- странственных свойств (например, расстояния), включение нескольких источни- ков данных с помощью слоев, ускорение анализа за счет применения различных методов индексирования. Уделено внимание алгоритмам решения таких задач пространственного анализа и моделирования, как интерполяция, анализ паттер- нов и принятие решений с помощью моделей оптимизации. Издание будет полезно студентам и преподавателям географических и тех- нических вузов, а также всем, кто хочет разобраться в принципах работы ГИС. Алгоритмы ГИС_обложка Алгоритмы GIS.pdf Алгоритмы ГИС Об авторе Предисловие От издательства Глава 1. Введение 1.1. Вычислительные аспекты алгоритмов 1.2. Кодирование 1.3. Как использовать эту книгу Часть I. ГЕОМЕТРИЧЕСКИЕ АЛГОРИТМЫ Глава 2. Базовые геометрические операции 2.1. Точка 2.2. Расстояние между двумя точками 2.3. Расстояние от точки до прямой 2.4. Центроид и площадь многоугольника 2.5. Определение положения точки относительно прямой 2.6. Пересечение отрезков прямых 2.7. Операция «точка внутри многоугольника» 2.7.1. Алгоритм чет-нечет 2.7.2. Алгоритм на основе числа оборотов 2.8. Картографические проекции 2.9. Примечания 2.10. Упражнения Глава 3. Наложение многоугольников 3.1. Пересечение отрезков 3.2. Наложение 3.3. Примечания 3.4. Упражнения Часть II. ИНДЕКСИРОВАНИЕ ПРОСТРАНСТВЕННЫХ ДАННЫХ Глава 4. Индексирование 4.1. Упражнения Глава 5. kD-деревья 5.1. Точечные kD-деревья 5.1.1. Запрос к прямоугольному диапазону 5.1.2. Запрос к круговому диапазону 5.1.3. Поиск ближайших соседей 5.2. Точечно-регионные kD-деревья 5.3. Тестирование kD-деревьев 5.4. Примечания 5.5. Упражнения Глава 6. Квадродеревья 6.1. Регионные квадродеревья 6.2. Точечные квадродеревья 6.3. Примечания 6.4. Упражнения Глава 7. Индексирование отрезков и многоугольников 7.1. Квадродеревья полигональных карт 7.1.1. PM1-квадродеревья 7.1.2. PM2-квадродеревья 7.1.3. PM3-квадродеревья 7.2. R-деревья 7.3. Примечания 7.4. Упражнения Часть III. ПРОСТРАНСТВЕННЫЙ АНАЛИЗ И МОДЕЛИРОВАНИЕ Глава 8. Интерполяция 8.1. Метод обратных взвешенных расстояний 8.2. Кригинг 8.2.1. Полудисперсия 8.2.2. Моделирование полудисперсии 8.2.3. Обыкновенный кригинг 8.2.4. Простой кригинг 8.3. Применение методов интерполяции 8.4. Смещение средней точки 8.5. Примечания 8.6. Упражнения Глава 9. Пространственнные паттерны и их анализ 9.1. Анализ точечных паттернов 9.1.1. Анализ ближайшего соседа 9.1.2. K-функция Рипли 9.2. Пространственная автокорреляция 9.3. Кластеризация 9.4. Метрики ландшафтной экологии 9.5. Примечания 9.6. Упражнения Глава 10. Анализ сетей 10.1. Обход сети 10.1.1. Обход в ширину 10.1.2. Обход в глубину 10.2. Кратчайший путь из одного узла 10.3. Кратчайшие пути между всеми парами узлов 10.4. Примечания 10.5. Упражнения Глава 11. Пространственная оптимизация 11.1. Задача о 1-центре 11.2. Задачи размещения 11.3. Примечания 11.4. Упражнения Глава 12. Эвристические алгоритмы поиска 12.1. Жадные алгоритмы 12.2. Алгоритм обмена вершин 12.3. Имитация отжига 12.4. Примечания 12.5. Упражнения Послесловие Приложение А. Введение в Python Приложение В. GDAL/OGR и PySAL Приложение С. Список программ Список литературы Предметный указатель "Get started with Apache Flink, the open source framework that powers some of the world's largest stream processing applications. With this practical book, you'll explore the fundamental concepts of parallel stream processing and discover how this technology differs from traditional batch data processing. Longtime Apache Flink committers Fabian Hueske and Vasia Kalavri show you how to implement scalable streaming applications with Flink's DataStream API and continuously run and maintain these applications in operational environments. Stream processing is ideal for many use cases, including low-latency ETL, streaming analytics, and real-time dashboards as well as fraud detection, anomaly detection, and alerting. You can process continuous data of any kind, including user interactions, financial transactions, and loT data, as soon as you generate them."-- Provided by publisher Get started with Apache Flink, the open source framework that powers some of the worlds largest stream processing applications. With this practical book, youll explore the fundamental concepts of parallel stream processing and discover how this technology differs from traditional batch data processing. Longtime Apache Flink committers Fabian Hueske and Vasia Kalavri show you how to implement scalable streaming applications with Flinks DataStream API and continuously run and maintain these applications in operational environments. Stream processing is ideal for many use cases, including low-latency ETL, streaming analytics, and real-time dashboards as well as fraud detection, anomaly detection, and alerting. You can process continuous data of any kind, including user interactions, financial transactions, and IoT data, as soon as you generate them. Annotation Get started with Apache Flink, the open source framework that enables you to process streaming data - such as user interactions, sensor data, and machine logs - as it arrives. With this practical guide, you'll learn how to use Apache Flink's stream processing APIs to implement, continuously run, and maintain real-world applications. Authors Fabian Hueske, one of Flink's creators, and Vasia Kalavri, a core contributor to Flink's graph processing API (Gelly), explain the fundamental concepts of parallel stream processing and show you how streaming analytics differs from traditional batch data analysis