FME و داده های مکانی
FME برای یکپارچه سازی داده های مکانی
در حالی که ابزارها و نرم افزارهای زیادی وجود دارند که می توانند به شما در استفاده از داده های مکانی کمک کنند، FME نرم افزار انتخابی برای کسانی است که نیاز به یکپارچه سازی داده های مکانی خود دارند . Safe Software و FME دقیقاً به دلیل همین مشکل به وجود آمدند. داده های مکانی به طور گسترده ای متفاوت هستند و اغلب در قالب هایی گیر می کنند که نمی توانند به راحتی توسط همه برنامه ها مورد استفاده قرار گیرند، و استفاده کارشناسان GIS از تمام اطلاعاتی را که دارند بسیار دشوار می کند. در حالی که در گذشته امکان تبدیل فرمت های اختصاصی وجود داشت، بسیاری از داده ها در این تبدیل از بین می رفت . بنابراین، FME متولد شد.
FME چیست؟
FME به عنوان پلت فرم یکپارچه سازی داده ها با بهترین پشتیبانی از داده های مکانی در سراسر جهان شناخته شده است. با این حال، میتواند بسیار بیشتر از دادههای فضایی را مدیریت کند و به راحتی توسط متخصصان فناوری اطلاعات و کسبوکار قابل استفاده است. FME از بیش از 450 فرمت پشتیبانی می کند که آن را به ابزاری انعطاف پذیر برای یکپارچه سازی داده ها برای کسانی که با انواع زیادی از فرمت های داده سر و کار دارند تبدیل می کند.
نرم افزار ایمن، سازندگان FME، رهبران دنیای فناوری هستند که تلاش می کنند یک قدم جلوتر از روند یکپارچه سازی داده ها باقی بمانند. FME به طور مداوم ارتقا می یابد تا اطمینان حاصل شود که برای پشتیبانی از فرمت های داده جدید، نسخه های به روز شده فرمت های داده و مقادیر زیادی داده سازگار شده است. این ایده که بخش های جداگانه باید در سیلوهای داده خود کار کنند، با ساختارهای IT که پتانسیل شرکت را برای کار واقعی به عنوان یک واحد محدود می کند، از بین رفته است. داده ها باید بتوانند آزادانه جریان داشته باشند بدون توجه به مکان، زمان یا نحوه نیاز.
با تجزیه و تحلیل دادههای فضایی و اینکه چگونه متغیرهای خاصی بر زندگی ما تأثیر میگذارند، میتوانیم درباره چرایی وجود برخی روابط فضایی اطلاعات بیشتری کسب کنیم. چرا برخی مکانها مقصد سفر محبوب هستند؟ چرا یک برند در یک کشور موفق عمل می کند و در کشور دیگر نه؟ زمان آن رسیده است که شیوههای دادههای مکانی و مکانی را برای درک بهتر رفتار انسان و تأثیر ما در این سیاره آغاز کنیم.
بیایید با یک مثال شروع کنیم
برای توضیح اینکه فکر کردن در مورد دادههای مکانی چقدر میتواند مهم و مفید باشد، بیایید به روشی که جان اسنو شیوع وبا را در سوهو، لندن در سال 1854 تجزیه و تحلیل کرد نگاه کنیم. در این برهه از تاریخ، مردم معتقد بودند که وبا در هوا پخش میشود. با این حال، دکتر اسنو به این فرضیه بدبین بود.
برای درک بهتر این شیوع خاص، او خانه های افرادی را که تحت تأثیر این بیماری قرار گرفته بودند در نقشه شهر شناسایی کرد. با انجام این کار، او متوجه شد که بین افراد آلوده و محل زندگی آنها یک الگو و رابطه وجود دارد. از این نوع ساده تحلیل فضایی ، جان اسنو توانست مقصر واقعی شیوع وبا – یک چاه آب آلوده – را شناسایی کند.
این تجزیه و تحلیل منجر به تعطیلی این چاه خاص شد و جان بسیاری را نجات داد. نه تنها میزان مرگ و میر کاهش یافت، بلکه بینش و شواهد جدیدی را برای جامعه پزشکی فراهم کرد که در نهایت متوجه شدند که وبا در واقع از طریق هوا منتقل نمی شود، بلکه نتیجه مصرف غذا و نوشیدنی آلوده است.
کشف بیشتر با داده های مکانی
جهان با سرعتی تصاعدی در حال تغییر است و همگام شدن با همه آنچه در حال وقوع است می تواند چالش برانگیز باشد. یکی از تغییرات عمده ای که می بینیم در مقابل چشمانمان رخ می دهد، حرکت و رشد جمعیت انسانی است. با این تغییرات در مشاغل، جوامع و محیط زیست ایجاد می شود. برای درک کامل چرایی و چگونگی وقوع تغییرات و کمک به پیشبینی روندهای آینده و در عین حال کاهش مشکلات، دادههای مکانی باید بخشی از تحلیل شما باشد.
کسب و کار
برای اینکه شرکت یا کسب و کار شما موفق باشد، باید سوالات مختلفی از داده ها بپرسید. برخی از مهم ترین سوالات آنهایی هستند که به شما کمک می کنند تا پایگاه مشتریان خود را بهتر درک کنید. یکی از اولین سوالاتی که ممکن است بپرسید این است که “پایگاه مشتری من کجاست؟” وارد کنید: داده های مکانی
دادههای مکانی روشی عالی برای درک روندهایی است که مستقیماً با بهترین و بدترین پایگاههای مشتریان شما مرتبط هستند. تعداد زیادی دادههای سرشماری و جغرافیایی رایگان از درگاههای دادههای باز از ادارات دولتی موجود است که میتوانید با دادههای مشتریان خود ادغام کنید.
، برای مثال، فرض کنید که شما شرکتی هستید که محصولی دارید که مشتریان اصلی آن دانشجویان دانشگاه هستند. چگونه می خواهید مطمئن شوید که بهترین مکان را برای یک فروشگاه کاملاً جدید انتخاب می کنید؟راهحل: دادههای مکانی
میتوانید تحلیل خود را با شناسایی مکان پردیسهای کالج شروع کنید یا از دادههای جمعیتی از پورتالهای داده باز استفاده کنید تا ببینید افراد 18 تا 25 ساله در کجا متمرکز هستند. از اینجا، میتوانید دادههای فضایی حملونقل را ترکیب کنید تا ببینید کدام مکانها بیشتر در دسترس هستند.
بیایید به شما بگوییم که یک سرویس حمل و نقل بسیار راحت در این نزدیکی وجود دارد. این سرویس سواران را به کجا می برد؟ پس از پرسیدن این نوع سوالات و انجام تجزیه و تحلیل فضایی، می توانید بهترین مکان را برای فروشگاه خود انتخاب کنید.
داده های مکانی در عرصه کسب و کار به خرده فروشی محدود نمی شود. همچنین برای آژانسهای املاک، شرکتهای بیمه و هر حق امتیازی بسیار مهم است که بدانند کجا رشد خواهند کرد و نخواهند شد. با داده های مکانی می توانید بینش های رشد را کشف کنید ، امکانات و شبکه ها را مدیریت کنید و اطلاعات مکان را به مشتری ارائه دهید . بدون در نظر گرفتن اجزای فضایی و نحوه ارتباط آنها با تجارت شما، خطرات و احتمال نتایج ضعیف شما افزایش می یابد.
جامعه
روابط انسانی با دیگران و محیط اطراف ما جوامع متنوعی را در سراسر جهان ایجاد می کند. هر کاری که انجام می دهیم بر جوامع ما و افراد درون آن تأثیر می گذارد. چگونه می توانیم در محیط های خود به حمایت از یکدیگر ادامه دهیم؟ دادههای مکانی میتوانند به ما کمک کنند تا پیشبینیهای بهتری در مورد رفتار انسان داشته باشیم و بفهمیم چه متغیرهایی ممکن است بر انتخابهای فرد تأثیر بگذارند. با انجام تجزیه و تحلیل فضایی در جوامع خود، می توانیم اطمینان حاصل کنیم که محله ها برای همه قابل دسترس و قابل استفاده است.
فرض کنید در خدمات عمومی کار می کنید و شکایت هایی در مورد گرافیتی یا سایر انواع تخریب چهره عمومی دریافت کرده اید. چند گزینه وجود دارد که می توانید برای حل این مشکل انتخاب کنید. شما می توانید منابعی را برای شناسایی مظنونان و پیدا کردن آنها قرار دهید، اما این لزوماً دیگر هنرمندان گرافیتی را از نقاشی در همان منطقه باز نمی دارد.راه حل: داده های مکانی
رویکرد دیگر ممکن است نگاهی به ویژگی های فضایی آن منطقه و مقایسه آنها با سایرین باشد. شاید متوجه شده باشید که مناطق پر نور در جامعه شما با گرافیتی مشکلی ندارند و یک راه حل ساده برای حل مشکل هنر خیابانی شما در این مکان این است که به سادگی یک لامپ اضافی نصب کنید.
استفاده های اضافی از داده های مکانی در زمینه اجتماعی شامل اطلاع رسانی به شهروندان در مورد محیط اطرافشان ، ایمن نگه داشتن جامعه با اطلاعات به موقع و حمایت از جامعه در مواقع ضروری است . راهحلهای کوتاهمدت برای حل مسائل مفید هستند، اما راهحلهای بلندمدت میتوانند مسائل را حتی قبل از وقوع، حل کرده و از آنها پیشگیری کنند. استفاده از داده های مکانی می تواند به شما در درک این تفاوت ها کمک کند، گزینه های خود را بسنجید و در نهایت در زمان و هزینه شما صرفه جویی کند.
محیط
محیط به دلیل تأثیر انسان و سایر نیروهای طبیعی دائماً در حال تغییر است. برای درک واقعی محیط و علم پشت اکوسیستم خود، باید درک کنیم که چگونه عناصر مختلف با یکدیگر تعامل دارند. طبیعتاً این کار با استفاده از داده های مکانی انجام می شود.
بیایید در نظر بگیریم که چگونه محیط اطراف با ساختن یک سد تحت تأثیر قرار می گیرد. در اینجا مولفه های فضایی زیادی وجود دارد که باید در نظر گرفته شود. مخزن پشت سد چقدر گسترش می یابد؟ در نتیجه جریان پایه، نفوذ و زهکشی چگونه تغییر خواهد کرد؟ نگرانیهای فضایی بیشتر از اینها وجود دارد.راه حل: داده های مکانی
ترکیب مجموعه های مختلف داده های مکانی مانند نوع خاک، ساختار رودخانه، ارتفاع و سایر متغیرها می تواند به شما در درک روابط بین هر یک از متغیرهای اکوسیستم کمک کند. شما حتی می توانید این کار را یک قدم فراتر بردارید و بر اساس درک خود از اجرای سدها شبیه سازی هایی ایجاد کنید تا نشان دهید که چگونه تغییرات در طول زمان رخ می دهد. نتایج نهایی شما در نهایت به شما و دیگران کمک می کند تا روابط بین انسان و محیط خود را بهتر درک کنید.
زیبایی و پیچیدگی طبیعت چیزی است که آن را بسیار جذاب کرده است. در حالی که محیط ها و زیستگاه های مختلف بسیار متفاوت به نظر می رسند، شباهت های زیادی به یکدیگر دارند. با تجزیه و تحلیل روابط فضایی در زیستگاهی که با آن آشنا هستیم، می توانیم بینشی در مورد زیستگاه های دیگری که پیچیده تر هستند یا کمتر مورد مطالعه قرار گرفته اند به دست آوریم. سایر کاربردهای مرتبط با محیط زیست برای داده ها شامل به اشتراک گذاری اطلاعات با داوطلبان پروژه های علمی شهروندی ، ارائه هشدارهای آب و هوای مکان خاص ، و ردیابی جوامع گیاهی و جانوری است . هیچ محدودیتی برای نحوه استفاده از داده های مکانی در درک محیط های طبیعی وجود ندارد.
چرا حالا؟
ممکن است با خود فکر کنید: «اگر دادههای مکانی آنقدر ارزش دارند، چرا من اکنون فقط در مورد این موضوع پی میبرم؟» در حالی که داده های مکانی همیشه مفید بوده اند، اما لزوماً همیشه قابل استفاده نبوده اند و ما همیشه به اندازه امروز آن را نداشته ایم.
به طور معمول، داده های مکانی در اندازه فایل های بسیار بزرگ وجود داشتند و استفاده از آنها بدون سخت افزار پیشرفته دشوار بود. اکنون با وجود رایانه ها و دستگاه های پیشرفته برای پردازش و جمع آوری داده ها، سازمان های بیشتری برای یافتن پاسخی برای مشکلات خود به داده های مکانی روی می آورند. گوشیهای هوشمند، ردیابی وسایل نقلیه و ماهوارهها به باز کردن دنیای دادههای مکانی و مکانی برای سازمانهای کوچک و بزرگ کمک میکنند.
چیزی که با داده های مکانی (در واقع، هر داده ای) هنوز می تواند دشوار باشد این است که می توان آن را در قالب هایی گیر کرد که به راحتی توسط همه برنامه ها قابل استفاده نیستند. در حالی که ممکن است سخت افزاری برای استفاده از آن داشته باشید، ممکن است نرم افزار مناسبی برای درک آن نداشته باشید. به همین دلیل FME ایجاد شد.
FME برای داده های مکانی
FME که مخفف موتور دستکاری ویژگی ها است، از بیش از 450 فرمت و برنامه پشتیبانی می کند تا کار با داده هایی که در نرم افزار انتخابی خود دارید را برای شما آسان تر کند. انواع مختلفی از وظایف تبدیل فضایی وجود دارد که می توانند به راحتی از طریق ترانسفورماتورهای کشیدن و رها کردن و حتی ابزارهای ادغام داده های بیشتری پیاده سازی شوند تا به شما کمک کنند مجموعه داده دقیقی را که می خواهید ایجاد کنید. FME به طور خاص برای تبدیل داده های مکانی ساخته شده است و همیشه بهترین ابزار یکپارچه سازی برای کار با آن بوده است. ساختارها و مدلهای قالب فضایی مستقیماً در نرمافزار تعبیه شدهاند، بنابراین نیازی به صرف وقت بر روی اجزای پیش پا افتاده و خستهکننده یکپارچهسازی دادهها نیست.
نرم افزار ایمن، سازندگان FME، رهبران دنیای فناوری هستند که تلاش می کنند یک قدم جلوتر از روند یکپارچه سازی داده ها باقی بمانند. FME به طور مداوم ارتقا می یابد تا اطمینان حاصل شود که از جدیدترین فرمت ها، نسخه های به روز فرمت های داده و مقادیر زیادی داده پشتیبانی می کند. این ایده که بخش های جداگانه باید در سیلوهای داده خود کار کنند، با ساختارهای IT که پتانسیل شرکت را برای کار واقعی به عنوان یک واحد محدود می کند، از بین رفته است. داده ها باید بتوانند آزادانه جریان داشته باشند بدون توجه به مکان، زمان یا نحوه نیاز.
8+ راه برای تجسم داده های مکانی در یک مرورگر وب
- برای اینکه تصمیم بگیرید از چه کتابخانه ای می خواهید استفاده کنید (مزایا و معایب آن را بیان می کنم).
- دانش نحوه آماده سازی داده های خود و استفاده از توانایی های آن کتابخانه (این جایی است که FME وارد می شود و در زیر راهنمای گام به گام را خواهید یافت).
بسیاری از صنایع در حال حاضر از این روش ها برای به اشتراک گذاری مجموعه داده ها، از جمله دولت محلی، هوافضا، AEC، املاک و مستغلات، خدمات آب و برق و غیره استفاده می کنند. کافی است به گالری کاربران Cesium نگاهی بیندازید و تمام وب سایت هایی را که نقشه تعبیه شده دارند به عنوان بخشی از رابط کاربری خود در نظر بگیرید.
سمت چپ: چند ضلعی های مشاهده شده در نقشه وب OSM. سمت راست: به سه بعدی تبدیل شده و در سزیوم رندر شده است .
انتخاب یک کتابخانه تجسم وب
گام یک. در اینجا چند سوال وجود دارد که باید از خود بپرسید:
- برای تجسم به چه نوع داده هایی نیاز دارید؟ مثلا:
- نمایش داده های 2 بعدی/بردار روی نقشه.
- به کاربران نهایی اجازه دهید ساختمان ها، مناظر یا اشیاء سه بعدی را کاوش کنند.
- نمودارها و نمودارهای تعاملی و غنی را نمایش دهید (در این وبلاگ پوشش داده نشده است زیرا فضای جغرافیایی نیست، اما اگر این چیزی است که شما نیاز دارید، D3.js یا Plotly را بررسی کنید).
- آیا باید داده ها را روی یک نقشه پس زمینه ارجاع فضایی ببینید؟
- آیا راه حل رایگان و منبع باز (FOSS) را ترجیح می دهید یا اختصاصی؟
- چقدر مایل به کدنویسی هستید؟
هدف خود را در ذهن دارید؟ در اینجا چند گزینه وجود دارد.
ساختن نقشه های وب تعاملی برای داده های دو بعدی
شما چند ضلعی ها، خطوط و نقاطی دارید، مثلاً در GIS، و می خواهید آنها را روی نقشه در مرورگر به اشتراک بگذارید. فناوریهای زیر به شما امکان میدهند نقشهای را در یک صفحه وب با سطوح مختلف عملکرد و کار درگیر جاسازی کنید.
جزوه نقشه وب شهرهای FME World Tour 2018.
جزوه
Leaflet قدرتمند و سبکترین (فقط KBs)، یک گزینه FOSS ساده برای ساختن نقشههای وب تعاملی و خدمات دانلود داده است. احتمالاً هر کاری را که برای کمترین کدنویسی جاوا اسکریپت نیاز دارید انجام می دهد. بعلاوه شما می توانید انتخاب کنید که چه نقشه اصلی را می خواهید – OpenStreetMap، Mapbox، Esri و غیره.
- مثال: همپوشانی ویدیوی مکانی روی نقشه پایه Leaflet. در FME، میتوانید با استفاده از ترانسفورماتور HTMLReportGenerator از کدنویسی جاوا اسکریپت برای تولید نقشه Leaflet صرفنظر کنید.
لایه های باز
این کتابخانه FOSS اغلب به دلیل بالغتر بودن و داشتن ویژگیهای بیشتر نسبت به Leaflet ستایش میشود—بنابراین اگر به دنبال عملکردهای غنی، قابل تنظیم و شبیه GIS هستید، OpenLayers را امتحان کنید . OpenLayers از فرمتهای داده زیادی پشتیبانی میکند، بنابراین احتمالاً نیازی به تبدیل دادههای خود قبل از پخش آن به برنامه OpenLayers خود نخواهید داشت.
Mapbox GL
Mapbox یکی از موارد مورد علاقه است. نکته کلیدی در اینجا استفاده از WebGL برای ارائه کاشی های برداری است که آن را بسیار قدرتمند می کند (در واقع برای مرورگرهای قدیمی خیلی قدرتمند است). توجه داشته باشید Mapbox GL متفاوت از Mapbox.js است، یک افزونه ساخته شده در بالای Leaflet که کاشی های شطرنجی را ارائه می دهد.
Google، HERE، Bing و سایر ارائه دهندگان نقشه برداری
میتوانید از Google Maps API یا ابزار دیگری از ارائهدهنده نقشهبرداری مورد علاقه خود برای قرار دادن دادههای خود در نقشه پایه استفاده کنید. اگر به کنترل زیادی روی نتیجه نهایی نیاز ندارید، این یک گزینه ساده است. همچنین به هر آنچه این ارائه دهندگان ارائه می دهند دسترسی خواهید داشت، به عنوان مثال اطلاعات ناوبری و ترافیک/حمل و نقل بی نظیر Google. اما شما آرم شرکت آنها را روی نقشه خود خواهید داشت و شرایط خدمات آنها را برای مطابقت خواهید داشت (برخلاف گزینه FOSS).
ساخت تجسم های سه بعدی تعاملی
شما یک مدل اطلاعات ساختمان، منظره، مدل CAD یا موارد مشابه دارید، و میخواهید به افراد اجازه دهید دنیای سه بعدی را در یک مرورگر وب بزرگنمایی، حرکت و کاوش کنند . انگیزه پشت این فناوریها این است که اشتراکگذاری دادههای مکانی شما از طریق URL آسانتر از ارسال یک مجموعه داده عظیم برای شخصی یا وادار کردن یک شخص غیر فنی برای نصب نرمافزار لازم است.
ساختمان های سه بعدی ونکوور در three.js
سزیم
سزیم از نظر قدرت و دقت برتر است. از آن برای دیدن داده های دنیای واقعی در یک محیط سه بعدی دقیق، مانند یک منظره یا ساختمان های ژئو ارجاع داده شده استفاده کنید. این سیستم مختصات آگاه است، همراه با کره های از پیش ساخته شده برای نقشه های پس زمینه، و از کاشی کاری پشتیبانی می کند. به علاوه، منبع باز است و انجمن بسیار فعالی دارد.
برای استفاده از Cesium، میتوانید دادههای خود را به قالب Cesium 3D Tiles تبدیل کنید و از کتابخانه CesiumJS برای ساخت تصویرسازی استفاده کنید، یا دادههای خود را به پلتفرم یون سزیوم ارسال کنید ، که دادهها را جریان میدهد و بهطور خودکار تصویرسازی را تولید میکند.
I3S
لایه نمای سه بعدی نمایه شده یک مشخصات باز است که توسط Esri توسعه یافته است که توسط OGC به عنوان یک استاندارد جامعه پذیرفته شده است. این می تواند اشیاء، مش ها، نقاط و ابرهای نقطه ای سه بعدی را ارائه دهد. مزیت استفاده از I3S این است که به طور خاص برای داده های GIS طراحی شده است و اتصال به قدرت ژئوپردازش ArcGIS را آسان می کند. این فناوری نسبتاً جدید است، بنابراین ما هنوز چیز زیادی از آن را در عمل ندیدهایم – به ما اطلاع دهید که برای چه چیزی از آن استفاده میکنید!
three.js
این کتابخانه قدرتمند و سبک برای همه چیز از بازی گرفته تا اشتراک گذاری داده های BIM طراحی شده است. Three.js هیچ مرجع جغرافیایی ندارد، اما اگر به موقعیت مکانی داده ها اهمیت نمی دهید، یک انتخاب عالی است – مثلاً اگر فقط نیاز به کاوش در یک ساختمان یا یک شی سه بعدی دارید. همچنین دارای پشتیبانی از WebVR است، به این معنی که می توانید صحنه های واقعیت مجازی بسازید.
- مثالها: در دستگاه همراه خود، به fme.ly/vrhome بروید تا یک صحنه سهجانبه VR را ببینید. همچنین، این نسخه ی نمایشی شبیه ساز پرواز را بررسی کنید . میتوانید فرآیند تبدیل و کدگذاری دادهها را با استفاده از ترانسفورماتور سفارشی ThreejsSceneCreator FME، که HTML و دادههای تبدیلشده را به پوشهای که میتوانید مانند جایی S3 میزبانی میکنید، خروجیسازی کنید.
BabylonJS
این یک ابزار رندر سه بعدی محبوب مانند three.js است، تفاوت اصلی این است که BabylonJS به طور خاص برای یک موتور بازی طراحی شده است. در حالی که BabylonJS عملکرد کمتری نسبت به three.js دارد، چرخه برنامه نویس کنترل شده تری دارد (توسط مایکروسافت).
- نکات: فایلهای Babylon فقط JSON هستند . ما تبدیل به Babylon با FME را امتحان نکردهایم، اما اگر این را امتحان کردید و/یا اگر میخواهید یک نویسنده بومی بابلی را در FME ببینید، لطفاً در مرکز دانش FME به ما اطلاع دهید !
فرمت سه بعدی بهینه شده: glTF
glTF یا فرمت انتقال GL مانند JPEG داده های سه بعدی است. این یک مشخصات باز فوق العاده است که سطوح سه بعدی را نشان می دهد و اندازه دارایی را بهینه می کند. توسط three.js و CesiumJS پشتیبانی می شود، بنابراین می توانید به جای Cesium 3D Tiles یا JSON با این فرمت بنویسید.
Note glTF از ویژگیها پشتیبانی نمیکند، اما میتوانید با نوشتن یک آرایه JSON به صورت موازی که حاوی تمام اطلاعات ویژگی است، این مشکل را حل کنید.
شروع کنید: راهنمای گام به گام
- داده های خود را طوری آماده کنید که مطابق با الزامات کتابخانه باشد. این مرحله آماده سازی داده جایی است که FME وارد می شود. فضای کاری FME شما احتمالاً شامل ترکیب منابع داده، تبدیل داده ها به فرمت، بررسی خطاها و ترمیم آنها در حد قابل قبول و در برخی موارد، ساده کردن داده ها است تا بی مورد داده های پیچیده را به وب ارسال نکنید.
مثال FME Workspace تبدیل داده ها به یون سزیم.
- داده ها را در وب منتشر کنید. برخی از کتابخانه ها مانند I3S به شما نیاز دارند که داده ها را در یک مکان خاص میزبانی کنید. کتابخانههای دیگر، مانند Leaflet، تا زمانی که دادهها در دسترس هستند، اهمیتی نمیدهند که کجا هستند (مثلاً میتوانید آنها را به سطل Amazon S3 خود ارسال کنید).
- از کتابخانه برای ایجاد یک صفحه وب که به این داده ها ارجاع می دهد استفاده کنید. این احتمالاً شامل کدنویسی جاوا اسکریپت و/یا HTML یا استفاده از رابط فناوری برای ساخت صفحه (مثلاً مانند Cesium) خواهد بود. برای برخی از کتابخانه ها، مانند three.js و Leaflet، FME می تواند این کد را برای شما ایجاد کند.
آماده سازی تجسم داده های سه بعدی با استفاده از جاوا اسکریپت در رابط وب سزیوم.
- محصول نهایی خود را در وب از طریق FME Cloud میزبانی کنید . تجسم وب را با اجرای فضای کاری FME خود بر اساس برنامه زمانی یا در پاسخ به یک رویداد به روز نگه دارید، به عنوان مثال هر زمان که داده های منبع جدیدی به دست می آید. (نمونه ها را در زمین بازی سرور FME بیابید .)
نکات مفید FME
FME به بسیاری از فرمت های فوق می نویسد و دارای تعداد زیادی ترانسفورماتور برای آماده سازی داده ها برای هر کتابخانه ای است که استفاده می کنید. شروع به تایپ یک کلمه کلیدی مانند «سزیم» روی بوم میز کار FME کنید و نویسنده/ترانسفورماتور مناسب برای کار خود را خواهید دید. فراتر از آن، در اینجا هر چیزی که می توانم به ذهنم بیاورم وجود دارد تا شما را با تجسم وب خود راه اندازی کنم.
- سادهسازی دادهها: در حالی که برخی از فرمتها مانند glTF یا Cesium این کار را انجام میدهند، احتمالاً میخواهید برخی از آنها را خودتان انجام دهید. ترانسفورماتورهای مفید عبارتند از MeshSimplifier (برای کاهش تعداد مثلث ها)، Dissolver (برای حل کردن مرزها) و Tiler (برای شکستن داده های بزرگ به قطعات).
- کیفیت داده ها: در اینجا یک چک لیست و یک آموزش استفاده از FME برای اعتبار سنجی داده ها آمده است.
- پورتال های داده باز: در اینجا مقاله ای با نکاتی در مورد ساخت یک پورتال وب آورده شده است.
- نقشهها و بافتهای پسزمینه: برای three.js و دیگر کتابخانههایی که به پوشههای تصاویر نیاز دارند، از هر یک از راسترنویسهای FME استفاده کنید.
- سیستمهای مختصات: دادهها را با استفاده از ترانسفورماتور Reprojector (یا CsmapReprojector یا ترانسفورماتور *Reprojector دیگر، اگر میخواهید از یک موتور بازپرداخت متفاوت استفاده کنید) به سیستم مختصات مناسب وارد کنید.
- تبدیل هندسه به سه بعدی: ترانسفورماتورهای مفید شامل 3DForcer، Extruder، FaceReplacer، AppearanceSetter، GeometryFilter، TINGenerator، SurfaceModeller و Triangulator هستند.
کتابخانه های فوق راه های موثر و راحت برای به اشتراک گذاری داده های مکانی شما در یک مرورگر وب را ارائه می دهند. FME می تواند داده های شما را برای کتابخانه انتخابی شما تبدیل و آماده کند، آن را در وب منتشر کند، و تجسم شما را از طریق اتوماسیون های سرور FME به روز نگه دارد.
تجسم داده چیست و چرا مهم است؟
تجسم داده ها فرآیند تبدیل داده ها به نمایش های گرافیکی است که به ما کمک می کند تا داده ها را به طور مؤثرتری درک کنیم. این به ما امکان میدهد تا با سرعت بیشتری نقاط پرت، الگوها و روند دادهها را درک کنیم. تجسم قوی داده ها به افراد و سازمان ها کمک می کند تا داده های خود را به طور کارآمدتر تجزیه و تحلیل کنند تا به بینش های ارزشمندی دست یابند و منجر به تصمیم گیری آگاهانه تر شود.
ابزارهای تجسم داده این فرآیند را برای همه ما در دسترس قرار می دهد و کار پیچیده تجزیه کلان داده را بسیار آسان می کند.
انواع تجسم داده ها چیست؟
روش های مختلفی برای تجسم داده ها وجود دارد. از نمودارهای میلهای، نمودارهای دایرهای، نمودارهای پراکنده گرفته تا نقشهها، هیستوگرامها… راههای زیادی برای نگاه کردن به دادهها وجود دارد! سایر نمونه های تجسم داده را اینجا و اینجا بررسی کنید .
در حالی که انواع زیادی از تجسم داده ها وجود دارد، مهم است که در مورد بهترین راه برای نمایش داده های موجود فکر کنید.
چگونه داده ها را با Unfolded Studio و FME تجسم کنیم ؟
Unfolded Studio چیست؟
Unfolded Studio یک ابزار تجسم دادههای جغرافیایی است که توسط Unfolded ایجاد شده است که توسط Foursquare در سال 2021 خریداری شد. Unfolded Studio پیچیده و در عین حال بسیار شهودی به کاربران اجازه میدهد تا در عرض چند دقیقه نقشهها و تجسم دادههای خیرهکننده و روشنکننده ایجاد کنند.
Safe Software از کیت توسعه نرم افزار (SDK) داده Unfolded در Unfolded Studio استفاده کرد و متوجه شد که فرصتی با FME وجود دارد. همانطور که همه میدانید، همه در Safe Software هر کاری با دادههای مکانی را دوست دارند. از این رو، Safe Software از Unfolded Data SDK برای ایجاد یک FME Unfolded Reader Writer استفاده کرد. هدف ما از ایجاد این خواننده خواننده جدید این بود که کاربران Unfolded Studio را قادر کنیم به راحتی دادههای Unfolded را با استفاده از FME – جامعترین ابزار یکپارچهسازی دادهها برای دادههای مکانی – متصل، تبدیل و خودکار کنند. این مشارکتی بود که به طور طبیعی به هم رسید.
FME 2022.0: Unfolded Reader/Writer چیست؟
Unfolded Reader/Writer یک فرمت FME است که به کاربران Unfolded که می توانند به FME دسترسی داشته باشند اجازه می دهد تا داده ها را از طریق FME تبدیل، ادغام، پاکسازی و جداسازی کنند. این قابلیتی است که در اواخر سال جاری در راه اندازی FME 2022.0 منتشر خواهد شد. گردش کار را می توان در سرور FME خودکار کرد تا با فرکانس سفارشی اجرا و به روز شود. این ویژگی را می توان در هاب FME و میز کار پیدا کرد.
Unfolded Reader Writer در FME Workbench
Unfolded بر روی کتابخانههای نمایهسازی فضایی منبع باز محبوبی ساخته شد که بنیانگذاران آن، گروهی از مهندسان زمین فضایی سابق Uber، ایجاد کرده بودند. بر اساس این مدل، برنامه های کاربردی ساخته شده بر روی این کتابخانه ها می توانند مجموعه داده های مکانی را پردازش و تجسم کنند. این موضوع همه ما را در Safe Software مجذوب خود کرد. با درک جامعی که از دادههای مکانی داشتیم، قبلاً رابطهایی مشابه این ایجاد کردیم و تصمیم گرفتیم Unfolded Reader Writer را بسازیم.
کاربران FME داده ها را در Unfolded Studio تجسم می کنند
کاربران FME که از دادههای Unfolded استفاده میکنند همچنین میتوانند نقشههای غنی از UI از دادهها ایجاد کنند، از Unfolded Studio به عنوان ابزار دیگری برای یکپارچهسازی دادههای مکانی استفاده کنند (Unfolded دارای نمایهسازی مبتنی بر شش ضلعی است) و یک ابزار کاوش سریع داده برای فیلتر کردن، جمعآوری و پخش مجموعههای داده بزرگ. مستقیما در مرورگر شما این مشارکت به هر دو صورت انجام می شود و به داده ها اجازه می دهد تا به بهترین شکل ممکن تجسم شوند.
تابع Reader را می توان برای فایل های CSV، Shapefiles، GeoJSON، JSON یا سایر مجموعه داده های ایجاد شده از طریق FME استفاده کرد. تابع Writer مجموعه داده های Unfolded جدیدی ایجاد می کند یا محتویات مجموعه داده موجود را جایگزین می کند.
مزایای Unfolded Reader Writer
به عنوان مثال، Unfolded Data برای کسب و کارهای خرده فروشی برای جمع آوری رفتار مصرف کننده، جمع آوری شده از داده های تلفن همراه استفاده می شود. اتصال به FME میتواند به خودکارسازی مکرر تبدیل دادههای تلفنهای همراه خریداران کمک کند و بینشهای اخیر را در قالب تجسم دادههای با کیفیت بالا ارائه دهد.
این برای هر فروشگاه خرده فروشی آجر و ملات که به دنبال تجزیه و تحلیل ترافیک پای خود است مفید است. این می تواند لباس، لوازم خانگی، لوازم الکترونیکی، هر چیزی که حضور فیزیکی دارد از جمله مخابرات برای مصرف کنندگان، رستوران های زنجیره ای و غیره باشد. بازدیدهای حضوری از فروشگاههای خردهفروشی در طول همهگیری برای صنعت اهمیت بیشتری پیدا کرد، زیرا عادات خریداران بهطور چشمگیری تغییر کرد. داده های مربوط به بازدیدهای حضوری از روندهای جدید پیروی می کند. با تغییر خریداران، FME Unfolded Reader Writer و Unfolded Studio می توانند جمعیت شناسی خریداران جدید با نیازهای متفاوت از داده های Unfolded را شناسایی کنند. این داده های به روز برای کسب و کارهایی که به دنبال گسترش و حفظ بازار خود هستند ارزشمند است. این به خرده فروشان کمک می کند تا پیام ها و نام تجاری خود را تنظیم کنند، نتایج آزمایش و تکرار را انجام دهند. کمپین های فروش و اثربخشی تبلیغات حضوری را می توان ردیابی، آزمایش و بهبود بخشید.
چرا این بهترین راه برای تجسم داده ها است؟
همانطور که در بالا ذکر شد، استفاده از Unfolded Studio و FME به عنوان ابزارهای تجسم داده، تجسم داده با کیفیت بالا و شاید بهترین تجسم داده را تولید می کند.
انواع تجسم داده ها در Unfolded Studio موجود است – راه های زیادی برای تجسم داده ها وجود دارد!
استفاده از FME بدون Unfolded Reader/Writer چالش هایی را به همراه دارد. جایگزین استفاده از Unfolded Reader/Writer در FME استفاده از تماس گیرنده HTTP، دانلود مجموعه داده و ارسال نتایج به Feature Reader است. جایگزین دیگر، توسعه دهندگان خارجی برای Safe است که از Unfolded SDK به FME متصل شوند (تا به امروز فقط تعداد کمی از شرکا تلاش کرده اند). نکته اصلی این است که زمان و منابع بیشتری نسبت به استفاده از Unfolded Reader Writer آماده برای تجسم دادههای شما نیاز دارد.
راه حل ما غنی تر است و رابط کاربری بهتری ارائه می دهد. راه حل ما نیز سریع تر و ارزان تر است. به همین دلیل است که بهترین راه برای تجسم داده ها است.
بیشترین استفاده را از Unfolded Reader/Writer در Unfolded Studio و FME ببرید
Reader/Writer Unfolded بر روی اجازه دادن به کاربران برای دسترسی به مجموعه داده هایی که کاربر داده های Unfolded مالک آن است تمرکز می کند. این یک ابزار عالی برای تجسم داده ها برای فیلتر کردن، تجمیع و پخش مجموعه داده های بزرگ به طور مستقیم در مرورگر شما، به ویژه برای داده های مکانی است.
در حالی که Unfolded Studio پلتفرم توسعهدهندهای است که توسعهدهندگان میتوانند به SDK خود دسترسی داشته باشند تا با API خود آشنا شوند و توسعه دهند، شما همچنین میتوانید دادهها را روی Unfolded Platform نیز تجسم کنید. FME Reader Writer با فناوریهای Unfolded.
Unfolded Studio برای کاربران FME که میخواهند گردش کار خود را سفارشی کنند عالی است و میتوانند پلتفرم Unfolded را نیز کشف کنند.
به طور خلاصه، Unfolded Reader Writer FME اتصال از پیش ساخته شده ما به Unfolded است. ما این را با استفاده از Unfolded API در Unfolded Studio ساختیم. با Reader Writer ما، کاربر فقط باید بداند که چگونه از FME برای خواندن و نوشتن اطلاعات از Unfolded استفاده کند و بتواند آن اطلاعات را در FME بین خواندن و نوشتن تغییر دهد. این بدان معناست که کاربران برای استفاده از قدرت API Unfolded و سفارشی کردن اطلاعات (دادهها) از آن، نیازی به توسعهدهنده ندارند. هر دو ابزار، وقتی با هم استفاده می شوند، ابزار قدرتمندی برای تجسم داده ها هستند!
بدون دیدگاه