Αναπαράσταση Χωρικών Εννοιών και Δομές Δεδομένων

• Κύριοι συγγραφείς: Κάβουρας, Μαρίνος, Δάρρα, Αθανασία, Κονταξάκη, Σοφία, Τομαή, Ελένη, Kavouras, Marinos, darra, Athanasia, kontaxaki, Sofia, tomai, Eleni
• Μορφή: 7
• Γλώσσα: Greek
• Έκδοση: 2016
• Θέματα: ΔΙΑΝΥΣΜΑΤΙΚΗ ΔΟΜΗ; ΚΑΝΟΝΙΚΟΠΟΙΗΜΕΝΗ ΔΟΜΗ; ΜΟΝΤΕΛΟ ΑΝΤΙΚΕΙΜΕΝΩΝ; ΜΟΝΤΕΛΟ ΠΕΔΙΩΝ; Vector Structure; Raster Structure; Object-based Model; Field-based Model

Σκοπός του Κεφαλαίου αυτού είναι η περιγραφή τρόπων αναπαράστασης, γεωμετρικής και θεματικής πληροφορίας. Αναλύονται τα δύο βασικά μοντέλα αναπαράστασης: το μοντέλο πεδίων και το μοντέλο αντικειμένων και περιπτώσεις αξιοποίησης του ενός ή του άλλου. Για την υλοποίηση των μοντέλων αναπαράστασης γεωχωρικών δεδομένων έχουν αναπτυχθεί δύο γεωμετρικές δομές: η διανυσματική και η κανονικοποιημένη που παρουσιάζονται εκτενώς στο παρόν Κεφάλαιο, δίνοντας τους ορισμούς τους, τις ιδιότητές τους, παραδείγματα χρήσης τους και τρόπους διαχείρισής τους. Σχολιάζονται επίσης, τα πλεονεκτήματα και μειονεκτήματα κάθε δομής, γίνεται κριτική αποτίμησή τους, και αναφέρονται τρόποι μετατροπής από τη μία στην άλλη. Επιπλέον, το παρόν Κεφάλαιο παρουσιάζει μια από τις σημαντικότερες σχέσεις που υποστηρίζονται στις χωρικές βάσεις δεδομένων, την τοπολογία. Αρχικά, δίνεται ο ορισμός της τοπολογίας, αναλύονται οι ιδιότητές της τοπολογικής δομής, και τα πλεονεκτήματα της σε σχέση με τον τρόπο που διαχειρίζεται τις γεωμετρικές ιδιότητες των αντικειμένων, με σκοπό να καταδείξει την αναγκαιότητα δόμησης τοπολογίας σε διανυσματικά δεδομένα. Επιπλέον αναφέρεται η διαδικασία και οι τεχνικές δόμησης τοπολογίας για: σημειακά, γραμμικά και επιφανειακά διανυσματικά δεδομένα. Πέρα από τον κλασικό διαχωρισμό μεταξύ κανονικοποιημένης και διανυσματικής δομής και τα αντίστοιχα μοντέλα (πεδίων, αντικειμένων), παρουσιάζονται επίσης δύο προχωρημένες δομές, που χρησιμοποιούνται σε ειδικές περιπτώσεις δεδομένων και για ειδικές εφαρμογές ΣΓΠ: το Δίκτυο Ακανόνιστων Τριγώνων και τα πολύγωνα Thiessen. Ακόμη, γίνεται λόγος για ιεραρχικούς τρόπους οργάνωσης (π.χ. R-δέντρο, τετραδικό δέντρο), σάρωσης (π.χ. κατά Morton) και συμπίεσης (π.χ. αλυσιδωτή κωδικοποίηση) των δεδομένων ανάλογα με τη δομή τους. Τέλος, δίνονται παραδείγματα χρήσης των δομών και αναλύονται τα πλεονεκτήματά τους.