Lebih

Cara membuat peta dunia cloropleth di ArcGIS 10.2


Saya baru mengenal ArcGIS dan saya mencoba membuat peta choropleth untuk menampilkan nilai rasio untuk berbagai negara.

Saya percaya bahwa peta dasar saya perlu memiliki lapisan negara sehingga naungan poligon negara dimungkinkan, tetapi saya tidak mengerti bagaimana menautkannya dengan data saya.

Akankah peta topografi dunia memiliki tabel atribut untuk lapisan negara tempat saya dapat menambahkan kolom baru yang berisi nilai rasio saya atau apakah saya perlu membuat dan mengimpor file excel yang berisi informasi ini? Jika saya perlu membuat lembar excel, bagaimana cara menautkan ini sehingga poligon negara terisi untuk mewakili nilai rasio?

Saya telah menemukan beberapa tutorial yang berguna untuk menunjukkan bagaimana saya dapat melihat properti lapisan dan memilih jumlah dari tab simbologi namun saya tidak mengerti harus mendapatkan data saya ke tahap ini.

Tolong bisakah seseorang mengarahkan saya ke arah yang benar

Terima kasih!


Anda dapat menggunakan metode Join Field untuk menautkan tabel non spasial (lembar excel), ke lapisan negara Anda. Anda akan memerlukan kolom gabungan umum antara dua tabel (dalam kasus Anda mungkin akan seperti nama negara). Setelah Anda melakukan penggabungan, saya akan merekomendasikan untuk mengekspor lapisan gabungan Anda ke kelas fitur baru, yang kemudian dapat Anda atur rendering cloropleth Anda (Layer Properties>Symbology>Quantities).


Membuat Peta Choropleth

Mari kembali lagi ke peta yang seharusnya sudah familiar, diposting sekarang sebagai Gambar 4.6.1. Pendapatan rata-rata dikodekan secara visual di setiap negara bagian sebagai milik salah satu dari empat kelas: (1) kurang dari $45.000 (2) $45.000 hingga $49.999 (3) $50.000 hingga $59.999, dan (4) $60.0000 dan lebih banyak lagi. Bagaimana kelas-kelas ini dipilih?

Refleksi Siswa

Satu langkah sebelum kita membahas klasifikasi data: pikirkan kembali diskusi kita tentang jenis skema warna—dapatkah Anda memikirkan jenis skema warna lain yang akan efektif pada Gambar 4.6.1? Apakah Anda pikir itu akan lebih baik?

Ketika peta pada Gambar 4.6.1 sedang dirancang, kelas-kelas yang disebutkan di atas harus diputuskan – dan ada banyak cara berbeda di mana jeda kelas dalam pendapatan rata-rata dapat ditarik. Jadi, bagaimana Anda memilih? Daripada hanya memilih skema klasifikasi default yang disarankan oleh perangkat lunak GIS Anda, Anda harus berpikir kritis tentang bagaimana kelas data Anda didefinisikan. Keputusan pertama yang harus Anda buat bukanlah bagaimana caranya, tapi apakah untuk mengelompokkan data Anda.

Gambar 4.6.2 menunjukkan contoh dua peta—satu tidak terklasifikasi (kadang-kadang disebut peta "tanpa kelas"), dan satu lagi terklasifikasi. Peta yang tidak diklasifikasi mengkodekan warna (biasanya dengan kecerahan) berdasarkan nilai spesifik dalam setiap unit enumerasi, bukan berdasarkan kelas yang telah ditentukan sebelumnya di mana nilai data berada. Peta-peta ini berguna karena—jika dirancang dengan benar—mereka mungkin lebih akurat mencerminkan nuansa dalam distribusi data. Namun, mereka tidak boleh dianggap sebagai solusi mudah untuk masalah klasifikasi data. Mereka memiliki kelemahan mereka sendiri, misalnya, mereka menyulitkan pembaca untuk mencocokkan nilai yang dikodekan dalam unit enumerasi dengan lokasinya pada legenda.

Sebelum perangkat lunak GIS modern, peta yang tidak diklasifikasi cukup sulit dibuat, tetapi teknologi baru telah membuat desainnya cukup sederhana. Peta yang tidak diklasifikasi menunjukkan visualisasi data yang lebih "langsung", sementara mengklasifikasikan peta memberi Anda kontrol lebih besar atas peta akhir. Terserah Anda sebagai perancang peta untuk memutuskan apakah akan mengelompokkan peta Anda, namun banyak pembaca peta—dan kartografer—masih lebih memilih peta berklasifikasi.

Karena Anda mungkin akan mengklasifikasikan peta Anda, penting untuk memahami bagaimana proses ini dapat memengaruhi desain peta akhir Anda. Sebagian besar metode klasifikasi yang umum digunakan tersedia di ArcGIS, dan antarmuka perangkat lunak memberikan penjelasan sederhana yang baik dari masing-masing metode ini (Gambar 4.6.3). Kami tidak akan membahas detail matematis dari masing-masing metode klasifikasi ini di sini—disarankan agar Anda menjelajahi bacaan yang direkomendasikan atau melakukan riset sendiri di web untuk mempelajari lebih lanjut.

Istirahat Alami (Jenks): Nilai numerik dari data peringkat diperiksa untuk memperhitungkan distribusi yang tidak seragam, memberikan lebar kelas yang tidak sama dengan frekuensi pengamatan yang bervariasi per kelas.

Kuantil: Mendistribusikan pengamatan secara merata di seluruh interval kelas, memberikan lebar kelas yang tidak sama tetapi frekuensi pengamatan yang sama per kelas.

Interval yang Sama: Rentang data setiap kelas dipertahankan konstan, memberikan lebar kelas yang sama dengan frekuensi pengamatan yang bervariasi per kelas.

Interval yang Ditentukan: Tentukan ukuran interval untuk menentukan lebar kelas yang sama dengan frekuensi pengamatan yang bervariasi per kelas.

Interval Manual: Buat jeda kelas secara manual atau ubah salah satu metode klasifikasi saat ini yang sesuai untuk data Anda.

Interval Geometris: Lebar kelas yang ditentukan secara matematis berdasarkan deret geometri, memberikan lebar kelas yang kira-kira sama dan frekuensi pengamatan yang konsisten per kelas.

Standar Deviasi: Untuk data yang terdistribusi normal, lebar kelas didefinisikan menggunakan standar deviasi dari rata-rata larik data, memberikan lebar kelas yang sama dan frekuensi pengamatan yang bervariasi per kelas.

Meskipun Gambar 4.6.3 memberikan deskripsi yang berguna untuk setiap metode klasifikasi, namun gambar ini menawarkan sedikit saran tentang kapan harus menggunakannya. Cara yang baik untuk mendekati pertanyaan ini adalah dengan melihat data Anda di sepanjang garis bilangan. Anda dapat menggunakan histogram (untuk kumpulan data besar) atau plot titik (untuk kumpulan data kecil) untuk memvisualisasikan bagaimana data Anda didistribusikan, dan untuk memilih jeda kelas yang sesuai. Saran berikut diberikan oleh kartografer Penn State Dr. Cynthia Brewer.

1. Untuk data dengan distribusi mendekati normal, pertimbangkan untuk mengklasifikasikan data Anda berdasarkan mean dan standar deviasi.

2. Untuk distribusi miring, pertimbangkan untuk meningkatkan kelas secara sistematis, seperti metode pengelompokan aritmatika dan geometrik.

3. Jika data Anda terdistribusi secara merata, metode klasifikasi interval dan kuantil yang sama bekerja dengan baik. Metode ini juga terbaik untuk data peringkat.

4. Jeda alami, dibuat dengan menggunakan metode klasifikasi Jenks atau dalam memilih jeda berdasarkan mata, bekerja paling baik untuk data yang menunjukkan pengelompokan yang jelas melalui rentang. Metode jeda alami menyoroti kumpulan nilai alami dalam data.

Kami akan melihat data menggunakan plot titik selama lab ini terkait dengan pelajaran ini. Saat Anda membuat peta, kecuali jika Anda bekerja dengan kumpulan data yang sangat besar, ini sering kali menjadi cara paling efektif untuk menyelidiki kumpulan data Anda secara visual untuk memilih metode klasifikasi atau menempatkan jeda Anda sendiri secara visual/manual. ArcGIS, bagaimanapun, membuat histogram data Anda yang juga dapat Anda gunakan untuk memahami bagaimana jeda yang Anda pilih berhubungan dengan penyebaran data Anda.

Refleksi Siswa

Bandingkan jeda, histogram, dan peta pada Gambar 4.6.4 di bawah ini. Metode klasifikasi mana yang akan Anda pilih? Mengapa?

Perhatikan bahwa penyebaran data Anda hanyalah salah satu dari beberapa elemen yang harus Anda pertimbangkan saat memilih cara mengklasifikasikan data Anda. Seperti pilihan desain peta lainnya, audiens, media, dan tujuan peta Anda juga sangat penting di sini.

Selain memilih metode klasifikasi untuk peta Anda, Anda juga harus memutuskan berapa banyak kelas yang akan dibuat. Mungkin tergoda untuk membuat sejumlah besar kelas, karena lebih banyak kelas berarti lebih sedikit penyederhanaan data Anda, dan dengan demikian lebih banyak informasi yang disampaikan ke penampil peta. Sayangnya, mata manusia hanya bisa membedakan begitu banyak warna. Batasnya adalah sekitar selusin warna untuk peta kualitatif, sepuluh untuk skema divergen, dan hanya delapan untuk skema sekuensial. Jika ada, ini adalah perkiraan optimis—pembaca peta Anda kemungkinan besar dapat membedakan antara lebih sedikit.

Refleksi Siswa

Lihat peta pada Gambar 4.6.5 di bawah ini. Melihat peta di sebelah kiri, dapatkah Anda mengidentifikasi di dalam kelas mana county x termasuk? Seberapa yakin Anda bahwa ini adalah jawaban yang benar? Bagaimana dengan peta di sebelah kanan?

Terakhir, ketika mengklasifikasikan data peta Anda, Anda harus bersaing dengan outlier dalam kumpulan data Anda. Pertimbangkan peta tingkat kabupaten, di mana satu kabupaten memiliki tingkat dua kali lipat (misalnya, orang dengan gelar tingkat pascasarjana) dari kabupaten lain dalam data Anda. Beberapa metode klasifikasi, seperti jeda alami atau interval yang sama, kemungkinan besar akan mengelompokkan outlier ini ke dalam kelasnya sendiri. Metode lain, seperti kuartil, hanya akan menempatkannya ke dalam grup dengan semua kabupaten tertinggi berikutnya.

Tidak ada aturan untuk metode mana yang terbaik, kecuali konteks itu penting. Apakah tarifnya tinggi karena daerah itu berisi universitas paling bergengsi di negara bagian? Dalam hal ini, Anda mungkin ingin itu disorot di peta Anda. Jika sebaliknya, itu adalah yang tertinggi karena hanya lima orang yang tinggal di sana—dan dua adalah profesor perguruan tinggi—mungkin Anda tidak. Secara umum, semakin banyak data yang Anda miliki, semakin kecil kemungkinan outlier menjadi noise: ini disebut hukum bilangan besar. Namun, bila memungkinkan, Anda harus menyelidiki kemungkinan penyebab outlier—tidak ada pengganti untuk petunjuk kontekstual.

Ada cara tambahan untuk mengklasifikasikan data Anda, termasuk dengan menggabungkan metode—misalnya, menggunakan interval yang sama untuk sebagian besar rentang, lalu beralih ke jeda alami. Ada juga metode yang mempertimbangkan tidak hanya distribusi data sepanjang garis bilangan, tetapi juga distribusinya melalui ruang geografis. Ini berada di luar cakupan dan maksud dari pelajaran ini, tetapi ketahuilah bahwa Anda mungkin menghadapinya di masa mendatang.


Sebelum memulai tutorial ini

Jika Anda baru saja menginstal ArcGIS Server, Anda perlu menyelesaikan beberapa langkah persiapan sebelum Anda dapat terhubung ke server di ArcMap dan mempublikasikan layanan:

  • Untuk detail tentang cara mengonfigurasi situs ArcGIS Server Anda, lihat bagian Memulai setelah menginstal sistem bantuan ini.
  • Untuk mempelajari cara membuat data yang direferensikan oleh sumber daya GIS Anda tersedia untuk server, lihat topik Membuat data Anda dapat diakses ke ArcGIS Server.

Pembuatan versi dan pengarsipan

Sekarang kelas fitur grid telah dibuat, mereka harus didaftarkan sebagai versi dan diaktifkan untuk pengarsipan.

Hanya pemilik data yang dapat mendaftarkan atau membatalkan pendaftaran sebagai berversi.

  1. Cliquez sur le bouton Katalog dans la barre d'outils Katalog standar pour ouvrir la fenêtre.
  2. Di pohon Katalog, klik kanan kumpulan data fitur Kisi, arahkan ke Kelola , lalu klik Daftarkan Sebagai Berversi .

Kotak dialog Daftar Sebagai Berversi muncul.

Lihat Memutuskan cara mendaftarkan data untuk informasi selengkapnya tentang opsi pindah edit ke basis.


Bagian I - Menggunakan dan membuat peta
Bab 1: Pendahuluan - Pelajari dasar-dasar bekerja dengan data dan peta GIS yang ada
Bab 2: Desain peta - Pelajari cara membuat peta choropleth dan titik
Bab 3: Keluaran GIS - Pelajari cara membuat dan mengekspor peta menggunakan data GIS

Bagian II - Bekerja dengan data spasial
Bab 4: File geodatabases - Pelajari cara membuat geodatabase dan mengimpor data ke dalamnya
Bab 5: Data spasial - Menjelajahi tipe data dasar yang digunakan dalam GIS dan kemudian menunjukkan cara menggunakan Internet untuk mengumpulkan data GIS
Bab 6: Digitalisasi - Pelajari cara mendigitalkan data vektor dan mengubah data agar sesuai dengan koordinat dunia nyata
Bab 7: Geocoding - Pelajari cara memetakan data alamat sebagai titik melalui proses geocoding Bab 8: Geoprocessing - Melakukan analisis spasial menggunakan alat geoprocessing

Bagian III - Mempelajari aplikasi GIS tingkat lanjut
Bab 9: Analisis spasial - Lakukan analisis spasial menggunakan alat geoproses dan model alur kerja analisis
Bab 10: Analis 3D ArcGIS - Memperkenalkan Analis 3D ArcGIS, memungkinkan pengguna untuk membuat adegan 3D, melakukan animasi terbang, dan melakukan studi garis pandang
Bab 11: Analis spasial ArcGIS - Memperkenalkan Analis Spasial ArcGIS untuk membuat dan menganalisis peta raster, termasuk hillshades, peta kepadatan, permukaan kesesuaian lokasi, dan permukaan indeks risiko 3


Ilustrasi penggunaan peta web selama pandemi COVID-19

Epidemiologi spasial secara luas menganggap peta berbasis web sebagai alat yang sangat baik untuk menganalisis penyebaran penyakit menular serta informasi publik. Namun, kompleksitas data penyakit berpotensi menimbulkan salah tafsir dan kognitif yang berlebihan (Carroll et al., 2014). Bahkan peta yang dimaksudkan dengan baik dapat menderita sindrom 'data rich but information poor' (DRIP) jika pembuat peta mencoba dengan sembarangan memasukkan terlalu banyak sumber daya ke dalam satu antarmuka. Peta terkadang sesuai dengan unit spasial yang berbeda dan mengacu pada aspek pandemi yang berbeda—tingkat infeksi, lokasi pengujian, dinamika populasi—dapat dengan mudah membanjiri pengguna biasa.

Skala dan unit agregasi yang digunakan salah dan tidak konsisten.

Penggunaan bagan gelembung dan peta panas yang salah.

Peta titik/pin yang terlalu ramai menunjukkan kasus COVID-19 atau lokasi fasilitas medis.

Peta choropleth bergradasi buruk atau terklasifikasi.

Penggunaan pemetaan choropleth yang dominan di atas bentuk lain yang sesuai.

Peta tanpa normalisasi.

Peta tidak memiliki representasi ketidakpastian.

Representasi yang tidak efektif dari dinamika temporal penyebaran COVID-19 karena kompleksitas model epidemiologi.

Peta yang dirancang untuk audiens global harus menggunakan data global. Namun, ini mengurangi dampak bagi penonton lokal.

Secara keseluruhan desain peta yang buruk, secara umum.

Sebagian besar peta yang saat ini kami lihat dipengaruhi oleh satu atau beberapa masalah ini. Sebagai contoh, Gambar 1 memplot data yang dikumpulkan secara tidak konsisten pada peta yang sama, membuat perbandingan visual dari area yang berbeda menyesatkan: Italia dan Spanyol terkena dampak yang sama (keduanya memiliki sekitar 230.000 kasus yang dikonfirmasi pada saat penulisan) tetapi muncul secara berbeda di peta. Selain itu, ketidakpastian metodologis tidak terwakili dalam peta ini, seperti dalam kasus Hungaria dan Slovakia yang tampaknya tidak memiliki kasus COVID-19 di peta. Gambar 2 menampilkan peta choropleth yang menyajikan bilangan absolut tanpa normalisasi oleh karena itu mengabaikan masalah unit area yang dapat dimodifikasi dan struktur/dinamika populasi. Selain itu, pilihan warna (merah-biru) dipertanyakan karena orang merespons warna tertentu secara emosional (Monmonier, 2018), yang dapat memengaruhi penyebaran informasi faktual tentang pandemi COVID-19.

Gambar 1. Kasus COVID-19 seperti yang terlihat di HealthMap. Penggunaan agregasi spasial yang tidak konsisten di seluruh negara memberikan kesan yang salah tentang penyebaran virus.

Gambar 2. Peta choropleth oleh Departemen Kesehatan Florida memplot nomor kasus absolut per kode ZIP tanpa normalisasi dan menggunakan 'warna emosional'.

Sumber: Departemen Kesehatan Florida di situs COVID-19 mereka (https://floridahealthcovid19.gov/)

Masalah yang diuraikan di atas tidak khusus untuk peta berbasis web karena peta tradisional yang ditampilkan secara online sebagai gambar statis dapat mengalami masalah serupa. Sejauh tahun 2000, Dodge dan Kitchin (2000) memperingatkan baik perancang peta yang tidak waspada maupun pengguna peta untuk secara aktif dan reflektif mempertimbangkan peta yang ditemukan secara online. Menarik kesimpulan yang berarti dari peta terkait virus corona saat ini bergantung pada seberapa efektif peta menyajikan informasi yang diinginkan dengan cara visual yang sederhana. Kemampuan untuk melakukannya sangat berkurang di sebagian besar peta dan aplikasi berbasis web yang ditujukan untuk menyebarkan pengetahuan tentang pandemi. Peta juga berpotensi untuk 'menjadi viral' di Internet, kemudian membantu misinformasi dan 'fakta alternatif' seperti yang telah terjadi dengan peta yang menggambarkan lalu lintas udara global. Setelah dikeluarkan dari konteks aslinya, tajuk utama muncul seperti 'Peta baru mengungkapkan tidak ada negara yang aman dari tentakel coronavirus' dan 'Peta mengerikan mengungkapkan bagaimana ribuan pelancong Wuhan dapat menyebarkan virus corona ke 400 kota di seluruh dunia' di berbagai outlet berita (BBC, 2020). Sementara pernyataan-pernyataan ini terbukti benar saat pandemi berlangsung, insiden ini menggambarkan bagaimana menarik perhatian dan mempromosikan ide dengan peta yang tidak terkait (atau bahkan sengaja menyesatkan) bukanlah hal yang dibuat-buat.


Buat Peta Gelembung Data Tingkat Negara

Filter Data di Socrata

Sebagian besar data CDC tersedia dalam katalog data mereka menggunakan Socrata Open Data, aplikasi web yang digunakan oleh banyak lembaga pemerintah untuk mendistribusikan data ke masyarakat umum. Aplikasi ini fleksibel, tetapi dapat membingungkan dan memiliki sedikit kurva belajar.

Aplikasi Web Data Terbuka Socrata

Tantangan dengan menggunakan Socrata dengan data panel tiga dimensi adalah Socrata hanya dapat mewakili spreadsheet dua dimensi. Oleh karena itu, dimensi kedua harus diwakili dengan kolom stratifikasi yang menentukan kategori stratifikasi untuk nilai data dalam baris tertentu.

Oleh karena itu untuk memetakan data panel, Anda harus memilih satu set dimensi tertentu dan kemudian membentuk kembali data menggunakan filter yang mengisolasi subset data berdasarkan nilai dalam kolom stratifikasi.

Terus tambahkan filter sampai Anda mendapatkan seri data yang Anda inginkan.

Anda perlu menerapkan satu filter untuk setiap kategori dimensi dan stratifikasi. Ketika tidak terbiasa dengan data, ini mungkin memerlukan beberapa percobaan dan kesalahan untuk mendapatkan data yang dibentuk ulang sehingga ada satu nilai per wilayah geografis.

Saat menggunakan data tingkat negara bagian, terus tambahkan filter hingga Anda memiliki 50 baris tersisa di data Anda - atau mungkin lebih dari 50 baris jika kumpulan data Anda mencakup negara bagian dan teritori

Video di bawah ini menunjukkan cara menemukan data di Katalog Data CDC dan menerapkan urutan filter untuk mendapatkan file CSV yang dapat dipetakan. Kumpulan dimensi dan nilai filter yang tepat akan berbeda untuk kumpulan data lainnya. Untuk contoh ini, filter berikut diterapkan untuk mendapatkan satu nilai obesitas keseluruhan untuk masing-masing dari 50 negara bagian.

  1. Tahun: 2016
  2. Pertanyaan: Persentase orang dewasa berusia 18 tahun ke atas yang mengalami obesitas
  3. Total: Total (semua grup demografis)

Ekspor ke CSV dan Bersihkan Data

Setelah Anda memiliki data yang difilter, Anda harus mengekspor data sebagai CSV untuk Excel. CSV adalah singkatan dari variabel yang dipisahkan koma dan jika Anda membuka file dalam editor teks seperti Notepad atau TextEdit, Anda akan melihat bahwa itu persis seperti yang dikatakan - baris variabel dengan variabel di setiap baris dipisahkan dengan koma

Contoh file CSV

Saat Anda mengunduh file, Anda harus menghapus semua kolom yang tidak dibutuhkan dan mengganti nama kolom sehingga isinya jelas:

  1. Dengan data tingkat negara bagian, ganti nama LocationDesc menjadi Negara akan membantu ArcGIS Online memahami dengan jelas apa isi file
  2. Mengganti nama generik Nilai Data kolom dengan nama variabel akan mengurangi kebingungan saat memetakan data atau menggunakannya kembali di masa mendatang
  3. Simpan data sebagai file CSV ke komputer Anda

Impor Ke dalam Peta Gelembung Online ArcGIS

Anda kemudian dapat membuat peta gelembung cepat dari data di ArcGIS Online:

  1. Buat peta baru dari beranda ArcGIS Online Anda
  2. Pilih Tambahkan Lapisan Dari File dan pilih file CSV yang baru saja Anda simpan
  3. Untuk Temukan fitur dengan, aplikasi akan melihat Negara kolom
  4. Pilih atribut untuk ditampilkan dengan kolom yang berisi nilai variabel, dalam hal ini, Nilai_Data

Cara membuat peta dunia cloropleth di ArcGIS 10.2 - Sistem Informasi Geografis

Geog 353 Garis Besar Kuliah: Cara Membuat Peta: Pengantar Kursus, Lab, dan Proyek Lab
Pembaruan: 7/8/19


1. Desain Kartografi Tradisional & Produksi Peta

Untuk waktu yang lama, peta serupa - kebanyakan di atas kertas, nyata, statis. Semua hal kita anggap remeh tapi perkembangannya relatif baru.


2. Perkembangan Kartografi dan "Visualisasi" Pasca 1980

Animasi: menampilkan data yang berubah (dari fenomena yang berubah) dengan presentasi yang berubah/dinamis

    Peta animasi: paling awal dalam film sekitar Perang Dunia 2

Animasi di Google Earth | File KML atau KMZ (2007)

Interaktivitas: pengguna dapat terlibat dan mengubah peta

    Dengan peta kertas Anda dapat berinteraksi secara mental, tetapi tidak secara fisik berinteraksi dengan peta

Multimedia/Hypermedia: Menggabungkan dan menautkan peta dengan gambar, grafik, video, dan media lainnya

    Atlas mirip dengan multimedia: peta dengan teks, gambar, grafik, dll.

Sistem Informasi Geografis: GIS

    Tidak hanya membuat peta, tetapi semua langkah mulai dari pengumpulan, pemrosesan, dan penyiapan data, hingga analisis dan interaksi dengan data (yang terakhir dalam bentuk peta), hingga peta akhir.

    Mashup: menyatukan hal-hal yang berbeda.

    Musik mashup menyambung dan melapisi segmen dari berbagai lagu yang, dalam kombinasi, menjadi lagu baru.

Sekarang: Semuanya Bersama: Animasi + Interaktivitas + Multimedia/Hypermedia + GIS + mashup semua di WWW

Perubahan teknologi dalam pemetaan selama 30 tahun terakhir lebih mendalam dan cepat daripada di era lain mana pun dalam sejarah.

Konsep peta dan desain peta: tidak banyak berubah tetapi perlu disesuaikan dengan teknologi baru

Kursus ini: menyatukan lebih banyak kartografi tradisional dan desain kartografi dengan teknologi baru dan jenis peta baru

    Pemetaan WWW dan GIS: semua orang adalah kartografer!

Beberapa tujuan umum untuk kursus ini:

    Kaitannya dengan Geografi 222: Kekuatan Peta dan GIS

Pengantar dan Tinjauan Proyek Lab Lab

    Proyek lab: seluruh nilai Anda! (bagian individu dari proyek + evaluasi)

Proyek Dasar: Memvisualisasikan Perubahan Populasi, 1900 hingga 2010+

Tujuan: untuk menghasilkan serangkaian animasi, peta interaktif, untuk ditampilkan di WWW, yang berfungsi sebagai sarana untuk memvisualisasikan perubahan populasi tingkat kabupaten dari waktu ke waktu.


I. Menentukan Konteks Geografis dan Metode Pemetaan

    Topik perubahan populasi AS - animasi

    Setiap siswa akan memilih negara bagian atau kelompok negara bagian yang berbeda (Washington & Oregon, dll.) untuk dijadikan fokus.


II. Menemukan, Mengunduh, dan Memproses Data Kursus

    Cari dan Dapatkan Data Populasi Negara Bagian AS 1900-2010

    Buat peta "choropleth" dari data: perangkat lunak ArcGIS

    hubungkan data yang diproses ke peta


IV. Menganimasikan Serangkaian Peta

    Menggunakan perangkat lunak untuk menganimasikan rangkaian peta


V. Menempatkan materi Anda di Web - halaman yang sudah Anda buat

    Pada akhir kuartal [catatan: ini adalah artefak sejarah dari tahun 1999 maksud saya semester, tentu saja] Anda akan memilikinya, di WWW

    peta perubahan populasi animasi: GIF animasi dan file KMZ

    lanjutkan tradisi itu: bagikan pekerjaan Anda dengan seluruh dunia (dan ibu dan pop dan nenek dan kakek)


AKU AKU AKU. Beberapa Komentar Akhir. dan hal-hal yang harus mulai dilakukan

    Cobalah untuk bersenang-senang dengan proyek dan di kelas

    mendorong kreativitas, bergerak melampaui proyek dasar

    Sebuah proses belajar tentang komputer sebanyak tentang pemetaan dan GIS


Lab Komputer Geologi & Geografi OWU


Aturan dan peraturan dasar di Lab

    Lab adalah untuk siswa yang terdaftar dalam kursus Geologi/Geografi dan jurusan Geologi/Geografi/ES


Cara membuat peta dunia cloropleth di ArcGIS 10.2 - Sistem Informasi Geografis

Garis Besar Kuliah Geog 353: Alat Pembuatan Peta
Pembaruan: 7/8/19


Dimana kita . dalam proses

    PDF MM 3) Tapi Apakah Anda Benar-Benar Membutuhkan Peta?

    PDF MM 3) Membuat dan Mendapatkan Data

    Membuat Peta Tanpa Komputer

Membuat Peta dengan Komputer: beberapa latar belakang

    pemetaan komputer: komputer yang digunakan dalam proses pembuatan peta

Sejarah Singkat Komputer dan Pemetaan

    eksperimen pemetaan akhir 1950-an dengan komputer awal

    animasi, interaktivitas, suara, multimedia, hypermedia, analisis

Alat Pembuatan Peta (lanjutan):

    Membuat Peta di Internet

    Membuat Peta PDF) Bab 4. Pembuatan peta dengan GIS

    alat yang membantu dalam proses menganalisis data dan membuat peta

    Membuat Peta PDF) Bab 4. Desain grafis dan alat pembuatan peta lainnya

    tidak dirancang untuk membuat peta, tetapi sering digunakan untuk merancang peta yang canggih

    manfaat: fleksibel, kuat, banyak kemampuan desain grafis

Aturan Umum untuk membuat peta komputer di 'Dunia Nyata':

    gunakan perangkat lunak yang berbeda, buat mereka bekerja bersama


Format dan Konversi File Digital

    File: kumpulan catatan yang ditangani sebagai unit dasar penyimpanan di komputer


Format File Grafis Umum

    Format file raster: Perangkat lunak raster menghasilkan file yang terdiri dari piksel

ex) data satelit digital

ex) peta yang dipindai secara digital pada pemindai flatbed

ex) data USGS DLG, data US Sensus TIGER, data digital ArcGIS, file Google KML/KMZ


Cara Berbohong dengan Peta COVID-19

Dalam buku maninya “Bagaimana Berbohong dengan Peta”, Profesor Mark Monmonier mengilustrasikan bagaimana pembuat peta dapat dengan sengaja atau tidak sengaja menyampaikan kepalsuan menggunakan pemilihan data yang salah arah dan opsi desain kartografi. Di era alat pemetaan online yang dapat diakses secara luas dan mudah digunakan, peta yang menyesatkan menjadi ada di mana-mana. Tak terkecuali peta statistik COVID-19, beserta grafik dan tabel data terkait yang menjadi fokus perhatian publik tahun ini. Oleh karena itu, saya ingin melihat lagi perangkap peta choropleth yang populer.

Tangkapan layar dari https://newsinteractives.cbc.ca/coronavirustracker/ dengan data yang diperbarui per 2 November 2020. Perhatikan ini adalah contoh bagaimana TIDAK memetakan COVID-19, lihat teks!

Peta choropleth menggunakan wilayah geografis, mis. poligon yang mewakili provinsi dan teritori Kanada, sebagai simbol peta, dengan menaungi seluruh area dengan warna berdasarkan nilai data terkait. Kami dapat melihat ini di situs web penyiar publik kami https://newsinteractives.cbc.ca/coronavirustracker/, di mana CBC menyediakan peta interaktif sebagai bagian dari “pelacak virus corona” mereka. Skema warna merah digunakan untuk menaungi provinsi secara proporsional dengan jumlah total kasus COVID-19 yang dikonfirmasi sejak awal pandemi. Misalnya, warna merah tua Quebec mewakili lebih dari 100.000 kotak sedangkan warna mawar Ontario melambangkan sekitar 75.000 kotak.

Yang memalukan, situs web Canadian Broadcasting Corporation (CBC), jaringan radio dan TV layanan publik kami, adalah platform berita besar terakhir yang masih belum mengubah peta COVID-19 mereka untuk menggunakan proyeksi peta yang sesuai. Gambar berikut mengilustrasikan perbedaan ukuran dan bentuk area yang dipetakan antara proyeksi Web Mercator di sebelah kiri, yang digunakan oleh alat pemetaan CBC's, dan proyeksi Lambert Conformal Conic di sebelah kanan. Perbedaan menjadi lebih besar semakin ke utara Anda pergi. Sementara provinsi selatan terwakili dengan cukup baik di bawah kedua proyeksi, wilayah utara tampak semakin membengkak semakin dekat kita ke Kutub Utara. Faktanya, CBC dengan mudah menghapus Kepulauan Arktik Kanada dengan Pulau Ellesmere dari petanya (lihat di atas) untuk memotong area yang paling tidak berbentuk di ujung utara!

Kesalahan besar kedua dalam peta korona CBC adalah penggunaan simbologi choropleth untuk data penghitungan mentah seperti total kasus COVID-19. Kami telah meninjau secara detail di https://gis.blog.ryerson.ca/2020/03/26/the-graduated-colour-map-a-minefield-for-armchair-cartographers/, mengapa peta warna bertingkat lebih canggih dari kelihatannya. Itu karena sifat simbol kartografinya yang identik dengan wilayah geografis yang mendasarinya dengan ukuran yang berbeda. Ukuran ini dapat memiliki pengaruh yang tidak semestinya pada statistik apa pun yang dikumpulkan untuk setiap area. Misalnya, kami tidak tahu berapa banyak jumlah kasus COVID-19 Quebec yang tinggi di peta CBC karena ukuran provinsi (dalam hal luas permukaan dan/atau populasi) dan berapa banyak yang disebabkan oleh penyebaran penyakit. Untuk mengatasi masalah ini, kita perlu menormalkan data penghitungan mentah dengan nilai referensi yang sesuai. Jika kita menormalkan berdasarkan luas, kita sampai pada variabel kepadatan, mis. kepadatan penduduk sebagai jumlah penduduk pada setiap satuan ruang dibagi dengan luas permukaannya. Jika kita menormalkan dengan total populasi, kita memperoleh tingkat, mis. Prevalensi COVID-19 sebagai jumlah kasus dalam satu unit dibagi dengan jumlah orang yang tinggal di unit tersebut. Prevalensi sering dinyatakan sebagai tingkat dari sejumlah besar penduduk, mis. X kasus per juta orang, atau sebagai peluang, mis. satu kasus pada orang Y.

Saya akan menggunakan dua peta dari situs web dan penyimpanan data OurWorldInData.org untuk menggambarkan kebutuhan untuk bekerja dengan metrik relatif. Di bawah, di sebelah kiri, Anda melihat variabel jumlah mentah, kasus COVID-19 kumulatif, yang dipetakan menurut negara per 2 November. Di sebelah kanan, jumlah kasus dikaitkan dengan total populasi dengan membuat variabel yang dinormalisasi, kumulatif kasus COVID-19 per juta orang. Salah satu perbedaan yang lebih jelas antara kedua peta tersebut adalah India dan Rusia. Berdasarkan jumlah kasus mentah, India jelas memiliki lebih banyak kasus daripada Rusia. Tetapi berdasarkan metrik relatif, Rusia memiliki lebih banyak kasus per juta daripada India. “kebohongan” dalam peta penghitungan mentah didasarkan pada fakta bahwa ini menunjukkan risiko infeksi yang lebih besar di India sementara risikonya bisa dibilang lebih besar di Rusia karena Anda lebih mungkin bertemu dengan orang yang terinfeksi. (Perhatikan bahwa alasan ini hanya untuk ilustrasi, karena bergantung pada asumsi bahwa “kasus” yang dikonfirmasi sebenarnya memiliki arti dalam hal penularan, yang dapat diperdebatkan, dan bahwa rezim pengujian menangkap jumlah infeksi yang cukup, yang hampir tentu tidak demikian.)

Percaya atau tidak, pada titik ini masih ada tiga masalah penting dengan peta choropleth yang ingin saya bahas: (1) penyalahgunaan skema warna merah yang mengkhawatirkan, (2) penggambaran yang menyesatkan tentang wilayah yang luas (provinsi, negara) sebagai homogen , dan (3) klasifikasi arbitrer dari nilai data. Ketiga isu tersebut dibahas dalam serangkaian artikel untuk majalah Canadian Geographic yang ditulis pada bulan April oleh kartografer terkemuka mereka Chris Brackley (https://www.canadiangeographic.ca/author/chris-brackley). Isu “pilihan warna sensasional” ketika memetakan virus corona juga telah didiskusikan sejak 25 Februari oleh ahli kartografi Kenneth Field di https://www.esri.com/arcgis-blog/products/product/mapping/mapping- coronavirus-bertanggung jawab/.

Penjajaran peta dunia di atas menunjukkan potensi dampak warna. Banyak budaya mengasosiasikan merah dengan ancaman, risiko, kerentanan, dan emosi serta hasil negatif lainnya. Dalam pemetaan tematik, kami menggunakan perkembangan cahaya untuk mewakili besarnya suatu fenomena, dan biasanya semakin merah gelap suatu tempat digambarkan semakin buruk situasinya. Salah satu peta yang disajikan OurWorldInData.org di atas adalah contoh peta COVID-19 berwarna merah darah yang tidak menyenangkan. Namun, peta lain kasus COVID-19 yang dinormalisasi per satu juta orang menggunakan warna biru yang tidak terlalu mengkhawatirkan. Skema warna bertingkat ini masih memiliki nada yang sangat gelap di ujungnya yang tinggi, dan rona biru tidak terkait secara bermakna dengan penyakit menular (sejauh yang saya tahu). Oleh karena itu, saya menggunakan nuansa abu-abu untuk peta tingkat kasus COVID-19 menurut provinsi, karena abu-abu tentu saja merupakan pilihan warna yang paling netral (dan ramah printer sebagai manfaat tambahan).

Sumber data: Esri Canada, Statistics Canada

Sebagian besar penduduk Kanada terkonsentrasi di pita sempit di dekat perbatasan dengan Amerika Serikat, dan oleh karena itu provinsi-provinsi tersebut memiliki distribusi penduduk (tidak homogen) yang sangat tidak merata dalam batas-batasnya. Oleh karena itu, setiap fenomena yang berhubungan dengan populasi seperti penyakit menular pada manusia dipetakan secara tidak tepat jika simbol kartografi menunjukkan bahwa hal itu terjadi secara merata di seluruh wilayah perkotaan dan pertanian serta hutan belantara Kanada yang luas. Hal yang sama akan berlaku untuk peta kota, di mana populasi tidak boleh dipetakan di dalam taman utama atau fitur air. Untuk membantu menampilkan data skala nasional di mana orang benar-benar tinggal, Statistics Canada menawarkan kumpulan data “Population Ecumene” yang didokumentasikan di https://www150.statcan.gc.ca/n1/pub/92-159-g/92 -159-g2016001-eng.htm and shown through the semi-transparent red areas on top of the crowdsourced OpenStreetMap in the overview map below.

Data sources: OpenStreetMap, Statistics Canada

Using the inhabited areas as a mask, I can reduce the map symbols of my map to the places where COVID-19 actually occurs with any likelihood. Note that in other instances, where the mapped variable is dependent on the surface area, e.g. when visualizing population density, the values would need to be recalculated to the smaller ecumene areas.

Data sources: Esri Canada, Statistics Canada

Classification is the final aspect of how to lie with COVID-19 maps that I want to explore today. You can see in the above maps from OurWorldInData.org that the countries’ values are grouped into ranges, e.g. starting with 0-10 cases per million mapped with the lightest blue, followed by 10-50 cases p.m. with the next-lightest shade, and so on. The map-maker chose “nice” round class breaks, but hidden behind these is a pattern of exponentially increasing intervals. For example, the range of values grouped into the fifth class (500-1000) is ten times the range of values grouped into the third class (50-100). Their map of raw case counts has an even more abrupt increase in the last two classes, as shown in the red line of the following graph (note that the two lines each have their own y-axis).

My previous map above also uses a classification that progresses faster than linear. This is not necessarily “wrong” but we need to be aware that data classification occurs and that it can be used to influence the message of a map. At this point, we should credit CBC for one aspect of its COVID-19 map: they avoid classification issues by using an unclassed choropleth map. In the CBC map reproduced at the beginning of this post, note how the colour for each province is picked from a continuous, linear progression of shades from light to dark (red).

Confirmed COVID-19 cases per million population mapped for inhabited land portion of Canada’s provinces, shaded in relation to an international benchmark value of 30,000. Data sources: Esri Canada, Statistics Canada – values as of 22 October 2020.

My final map version employs the same unclassed approach using grey shades. Note that the legend symbols now do not represent class breaks but are just sample colours taken from the linear progression from light (white) to dark (black). In addition, I set the maximum value not to the largest value in the dataset but to a meaningful benchmark, the value of 30,000 COVID-19 cases per million that the United States are currently approaching. Of course, even this “large” value represents only 3% of the population. The subdued map appearance hopefully conveys the still limited scope of the Sars-CoV-2 “pandemic”. Now who would have known that shades of grey could be this sexy?


How to put Transparent Text on the map in ArcGIS

Wow, it’s been a while since I last posted, though if you’ve seen my Twitter feed you will understand why…yes, I am now a Fellow of the Royal Geographic Society & Istitute of British Geography.

Thats’s not why you’re reading this though, you are probably reading this, shouting at the screen and calling me a liar, I am not, I have the maps to prove it! I’ll show you through the method below.

Lets consider this map:I want to make it look like the Ordnance Survey Explorer (folded) map(s) and have the map tile names displayed but transparent as not to hide any information. The text is currently being rendered from the layer 𔄙_50000_Tile_finder”. Once I have the text looking similar to how I want it, convert it to annotation.

Right-click on the layer and select the “convert label to annotation” option

The trick here though, and I’ve made this mistake before, is you MUST SAVE TO DATABASE – as in the image below.

There now should be an extra item in your legend

If you open the properties of this layer, you will see that you now have a “Display” tab, you can adjust the text transparency here.

And voila! We have a finished map with transparent text!This was done in ArcGIS 10.3, but has been tested in ArcGIS 10.2 and works.


Tonton videonya: Mendesain Peta Choropleth menggunakan ArcMap (Oktober 2021).