Daugiau

Kodėl REST LOD (skalės) skiriasi nuo WMTS pajėgumų XML


Turiu savo viduje paskelbtą „ArcGIS“ internetinį žemėlapį. „Rest's Detail of Detail“ (LOD) WMTS galimybių XML pateikia kitą skaičių. Aš patikrinau keletą viešųjų paslaugų ir radau tą patį dalyką ...

Kodėl šie skaičiai skiriasi. Ko man trūksta?

„REST MapServer“: „USGS Topo MapServer“

WMTS XML: „USGS Topo MapServer“ WMTS XML

ff


Tai DPI. Atkreipkite dėmesį, kad REST paslaugai pranešama kaip 96, tačiau manoma, kad WMTS - 90,7. Žr. Susijusį klausimą Matematika, galinti konvertuoti skalę į rezoliuciją ?.


Eksperimentai naudojant semantinio tinklo technologijas IUGONET, ESPAS ir GFZ ISDC duomenų portalams sujungti

El. Mokslas internete vaidina svarbų vaidmenį ir siūlo pažangiausias technologijas duomenų sistemų integravimui. Taip pat pateikiami duomenys, skirti tirti vis sudėtingesnius žemės sistemos ir ne tik sistemos aspektus. Daugybė Europos Sąjungos (ES) įsteigtų e. Mokslo projektų, universitetų vykdomos Japonijos pastangos duomenų paslaugų srityje ir instituciniai įtvirtinti pokyčiai siekiant tvaraus duomenų valdymo Vokietijoje yra įrodymas, kad e. mokslo ar kibernetinės erdvės programos yra reikšminga sėkmingo mokslinio darbo priemonė. Šiame darbe daugiausia dėmesio skiriama ES finansuojamo projekto ESPAS, Japonijos IUGONET projekto ir GFZ ISDC pagrįstos mokslinių tyrimų ir plėtros veiklai, susijusiai su bendradarbiavimu, susijusiu su beveik žemėje esančiomis kosmoso mokslo duomenų sistemomis, ir pirmaisiais rezultatais informacijos mokslo srityje. Pagrindinis bendradarbiavimo tikslas yra semantinio interneto metodo naudojimas sutelkiant su projektu susijusias ir iki šiol neveikiančias duomenų sistemas. Kalbama apie susietų ir (arba) sujungtų geografijos ir kosmoso mokslo valdomų žodynų kūrimą ir naudojimą bei subjektų ryšį ontologija pagrįstame domeno duomenų modelyje. Sukurti kontroliuojami geografinių ir kosmoso mokslo duomenų ir susijusios kontekstinės informacijos aprašymo žodynai, taip pat pačios domeno ontologijos su jų sritimis ir tarpdomeniniais ryšiais bus paskelbtos susietuose atviruosiuose duomenyse.

Semantinis internetinis žemės ir kosmoso mokslų, susijusių su japonų IUGONET, Europos Sąjungos ESPAS ir GFZ ISDC duomenų sistemų ir paslaugų, susiejimas.


Žemėlapių paslaugos, kurias teikia „ArcGIS Online“ ir „ArcGIS“ portalas

Žemėlapio paslaugos, kurias priglobia „ArcGIS Online“ arba „Portal for ArcGIS“, gali grąžinti plyteles tik iš serverio talpyklos, jos negali dinamiškai piešti vaizdų, taip pat neleidžia užduoti atskirų žemėlapio funkcijų. Galite palaikyti užklausas ir informacinius iššokančiuosius langus savo programose naudodami funkcijų paslaugas kartu su savo žemėlapių paslaugomis.

Todėl kai kurie šiame dokumentacijos skyriuje paminėti ištekliai, operacijos ir ypatybės netaikomos žemėlapių paslaugoms, kurias talpina „ArcGIS Online“ arba „ArcGIS“ portalas.


Rezultatai

Siekdami palengvinti mūsų analizę, sukūrėme pirmąjį etaloninį genomo rinkinį Coelopa frigida naudojant ilgai skaitytų sekų („PacBio“) ir susietų skaitymų iš „10xGenomics“ technologijos derinį. Didelio tankio susiejimo žemėlapis (28 639 žymekliai, išsiskyrę 6 susiejimo grupėse) leido mums pritvirtinti ir orientuoti daugiau nei 81% genomo į 5 dideles chromosomas (LG1 - LG5) ir vieną mažą lytinę chromosomą (LG6). Šis kariotipas atitiko ankstesnį citogenetinį darbą C. frigida (Aziz 1975) ir su 6 Mullerio elementais (A=LG4, B=LG5, C=LG2, D=LG3, E=LG1, F=LG6, S1 pav.), Kurie dažniausiai konservuojami Dipteroje (Vicoso ir Bachtrog 2015 Schaeffer 2018). Galutiniame surinkime buvo 6 chromosomos ir 1832 neankcionuoti pastoliai, kurių N50 buvo 37,7 Mb, o bendras genomo dydis - 239,7 Mb. Ši nuoroda turėjo aukštą išsamumo lygį - 96% (metazoanas) ir 92% (nariuotakojai) universalių vienos kopijos ortologinių genų buvo visiškai surinkti. Jis buvo anotuotas labai užbaigtu transkriptu (87% pilno nariuotakojų BUSCO), remiantis RNR sekos nustatymu keliose ontogenetinėse stadijose ir įtraukiant 35 999 transkripcijas.

Norėdami analizuoti genomo variaciją populiacijos mastu, mes naudojome mažą aprėptį (

1,4 X) viso genomo seka - 1 446 musės iš 16 vietų palei Šiaurės Amerikos Atlanto vandenyno pakrantę (88–94 suaugusios muselės / vieta). Atrinktos vietos apėmė 1 500 km šiaurės ir pietų gradientą, viršijantį 10 ° platumos, ryškų druskingumo gradientą St Lawrence upės žiotyse ir daugybę buveinių, kurių kintama jūros dumblių sudėtis ir sudaužytos savybės (1 pav., S1 lentelė). Po 1446 sekvencuotų asmenų sulyginimo su etaloniniu genomu išanalizavome genetinę variaciją tikimybinėje sistemoje, atsižvelgdami į mažą aprėptį (ANGSD, Korneliussen ir kt., 2014) ir pranešėme apie 2,83 mln. % diferenciacijos analizėms.

Dvi didelės chromosomų inversijos struktūrizuoja intraspecifinę genetinę variaciją

Atliekant pagrindinio komponento analizę (PKS), skaidant SNP genotipo tikimybes paaiškėjo, kad 1-ame ir 2-ajame pagrindiniame komponente (PK) buvo didelė genetinio dispersijos dalis, atitinkamai 21,6% ir 3,9%, ir leido mums parodyti 1 446 muses kaip 9 atskiros grupės (2A pav.). Kartu su PC1 trys grupės atitiko tris inversijos genotipus Cf-Inv (1) (αα, αβ, ββ), identifikuoti naudojant du diagnostinius SNP (Mérot et al. 2018) su atitinkamai 100% ir 98,3% atitikimu (S2 lentelė). Kartu su PC2 buvo nustatytos trys skirtingos grupės, kurios neatitiko nei lyties, nei geografinės kilmės, taigi galbūt atspindėjo tris kitos polimorfinės inversijos genotipus.

(A) Pagrindinė viso genomo variacijos komponentų analizė (PCA). Asmenys inversijoje nuspalvinami kariotipais Cf-Inv (1), kaip nustatyta anksčiau su SNP žymekliu (Mérot et al. 2018). Elipsės rodo antrinę grupę išilgai PC2. (B) Ryšio pusiausvyros sutrikimas (LD) LG1 ir LG4. Viršutiniai trikampiai apima visus asmenis, o apatiniai trikampiai apima homokariotus, kad kiekviena inversija būtų dažniausiai išdėstyta. Juostos atspindi inversijų padėtį. Spalvų skalė rodo antrąją didesnę R 2 vertės procentilę tarp SNP, apibendrintą 250 kb langais (C) Kartu su genomu koreliacija tarp vietinių PCA rezultatų, atliktų 100 SNP languose, ir PCA, atliktų visame genome, FŠv diferenciacija tarp dviejų homokariotipų Cf-Inv (1) slenkančiuose languose, kuriuose yra 25 kb ir nukleotidų įvairovės (π) trijose kariotipinėse grupėse. Cf-Inv (1) išlyginta vizualizacijai. Brūkšninės linijos reiškia išvestas inversijos ribas Cf-Inv (1) (D) Koreliacija tarp vietinių PCA balų, atliktų naudojant 100 SNP langų, ir PCA PC2 balų, atliktų per visą genomo FST diferenciaciją tarp dviejų homokariotipų. Plg. „Inv“ (4.1) slenkančiuose languose, kuriuose yra 25 kb ir nukleotidų įvairovės (π) trijose kariotipinėse grupėse. Plg. „Inv“ (4.1) išlyginta vizualizacijai. Brūkšninės linijos reiškia išvestas inversijos ribas Plg. „Inv“ (4.1).

Norėdami įvertinti, kurie genomo regionai atspindėjo visame genomo PCA pastebėtus modelius, atlikome vietinį PCA ant 100 SNP langų palei kiekvieną chromosomą ir įvertinome koreliaciją tarp kiekvieno vietinio PCA balų ir pasaulinio PCA balų (6 pav.). 2C). PC1 buvo labai susijęs su 25,1 Mb sritimi LG 1, nurodant didžiosios genominę padėtį Cf-Inv (1) inversija (1 lentelė). PC2 buvo labai susijęs su mažesniu 6,9 Mb LG4 regionu (2D pav.), Kas atitinka inversijos hipotezę, toliau vadinamą Plg. „Inv“ (4.1). Keletas kitų savybių atitiko hipotezę, kad šie du regionai yra inversijos. Pirma, šiuose regionuose, atsižvelgiant į visus asmenis, susiejimo pusiausvyros sutrikimas (LD) buvo labai didelis, tačiau mažas kiekvienoje homokariotipų grupėje (2B pav.). Tai rodo, kad rekombinacija tarp kompozicijų yra ribota, tačiau laisvai vyksta homokariotipuose, turinčiuose tą patį susitarimą. Antra, FŠv buvo labai didelis tarp homokariotų apverstame regione (Cf-Inv (1) αα ir ββ: 0,75, Plg. „Inv“ (4.1) AA ir BB: 0,51, 2C pav.), Palyginti su mažomis likusio genomo vertėmis (Cf-Inv (1) αα ir ββ: 0,002, Plg. „Inv“ (4.1) AA prieš BB: 0,001, 2D pav.). Trečia, tarpinei PCA grupei buvo būdinga didesnė pastebėtų heterozigotų dalis SNP apverstame regione nei kraštutinės grupės, patvirtinantys, kad tai tikriausiai yra heterokariotipinė grupė (S2 pav.).

Esant tariamai inversijoms, absoliutus nukleotidų divergencija (dXY) nekoduojančiuose regionuose buvo apskaičiuotas tarp homokariotipinių grupių ir koreguotas pagal homokariotipinių grupių nukleotidų įvairovės (π) vidurkį pagal 25 kb langus. Skaičiai tarp laužtinių skliaustų nurodo patikimumo intervalus, nubrėžtus paleidžiant 25 KB langus.

Nukleotidų įvairovė, matuojama π, buvo panaši tarp kariotipinių grupių išilgai genomo ir didesnė heterokariotipuose nei homokariotipuose apverstuose regionuose (2C-D pav.). Abiejų inversijų atveju nukleotidų įvairovė buvo panaši tarp homokariotų. Absoliutus nukleotidų skirtumas tarp susitarimų buvo stiprus apverstuose regionuose (1 lentelė, S3 pav.). Darant prielaidą, kad mutacijos greitis yra panašus į Drosofila (5 × 10–9 mutacijos vienai bazei vienai kartai (Assaf ir kt., 2017)) ir maždaug 5–10 kartų per metus, taigi, remiantis absoliučiu skirtumu nekoduojančiuose regionuose, mes nustatėme, kad susitarimai padalijo mažiausiai 180 000–376 000 metų prieš Cf-Inv (1) ir mažiausiai prieš 61 000–134 000 metų Plg. „Inv“ (4.1).

C. frigida eksponuoti kitus regionus, įskaitant ne rekombinuojančius haplotipinius blokus

Norėdami toliau tirti genetinės struktūros heterogeniškumą palei genomą, mes iš naujo analizavome vietinius PCA, naudodami metodą, pagrįstą daugialypiu masteliu (MDS), kuris identifikuoja PCA langelių grupes, rodančias bendrą modelį. Šis metodas anksčiau buvo naudojamas rekombinuojančių haplotipinių blokų nustatymui ir lokalizavimui (Li and Ralph 2019 Huang et al. 2020 Todesco et al. 2020). Be minėtųjų Cf-Inv (1) ir Plg. „Inv“ (4.1) inversijos, kurios sukėlė pirmąją ir antrąją MDS ašį, mes nustatėme penkis išorinius genomo regionus skirtingose ​​MDS ašyse (3 pav., S4 pav.). Visuose penkiuose regionuose didelė dispersijos dalis buvo užfiksuota palei pirmąjį PC (& gt50%), o ryšių pusiausvyros sutrikimas buvo didelis (3A pav.).

(A) LD visose 5 pagrindinėse chromosomose, išreikšta kaip antroji didesnė R2 vertės procentilė tarp SNP, apibendrinta 1 MB langais. (B) Rekombinacijos greitis (CM / Mb), padarytas iš susiejimo žemėlapio, išlygintas naudojant pleišto funkciją, sudarantį 10% žymenų. (C) Nukleotidų įvairovė (π), slenkant 100 kb langus (20 kb žingsnis), vidutiniškai apskaičiuota skirtingose ​​geografinėse populiacijose. (D) Vieta palei vietinių PCA langų grupių genomą, pažymėtą kaip pašaliniai (& gt4sd) išilgai kiekvienos MDS ašies, viršutiniame gale juodos spalvos, o apatinės - pilkos spalvos. Spalvoti stačiakampiai nurodo inversijų padėtį ir dominančius regionus, kaupiančius išorinius klasterius ar tariamus inversijas. Brūkšninės linijos atspindi jų numanomas ribas visuose sklypuose. (E) PCA atlikta SNP kiekviename dominančiame regione. Dviems LG4 regionams, kurie rodomi kaip dvi susietos tariamos inversijos (Plg. „Inv“ (4.2) ir Plg. „Inv“ (4.3)), trys klasteriai buvo identifikuoti labai patikimai ir nuspalvinti kaip tariami homokariotai ir heterokariotai. Abiejuose regionuose naudojamos tos pačios spalvos, nes kariotipai buvo vienodi visiems asmenims.

Du LG4 regionai atstovavo įtikinamai tariamai atitinkamai 2,7 MB ir 1,4 MB inversijoms. Abiejuose regionuose PCA rodė tris asmenų grupes su dideliu grupių pasitikėjimu. Centrinėje grupėje buvo didelė heterozigotų dalis, o kraštutinės grupės buvo diferencijuotos (3E pav., S5 pav.). Šiuose dviejuose regionuose nukleotidų įvairovė buvo panaši tarp haplogrupių grupių ir absoliutus divergencija (dXY) tarp homokariotipų buvo mažesnis nei Cf-Inv (1) ir Plg. „Inv“ (4.1), siūlydamas jaunesnes inversijas, kurios galėjo skirtis dar prieš 6000–68 000 metų. Kariotipo priskyrimas buvo tas pats tarp dviejų tariamų inversijų, rodančių, kad jie yra arba yra glaudžiai susiję, arba priklauso vienai inversijai. Dvi įrodymų linijos patvirtina hipotezę, kad tai yra dvi inversijos. Pirma, didelis susiejimo žemėlapių žymeklių tankis ir nulio nulinės rekombinacijos greitis šioje 50 cM srityje užtikrino pasitikėjimą genomo surinkimu ir palaikė 5 Mb tarpą tarp dviejų inversijų. Be to, ankstesnis citogenetinis darbas parodė, kad viena chromosoma C. frigida rodo vienos rankos polimorfinę inversiją (galbūt Plg. „Inv“ (4.1)) ir, kita vertus, dvi polimorfinės inversijos, kurios retai rekombinuojasi (Aziz 1975). Vėliau abi inversijos buvo kartu analizuojamos ir iškviestos Plg. „Inv“ (4.2) ir Plg. „Inv“ (4.3).

Kiti trys regionai, apimantys 6,8 Mb LG2, 6,3 Mb LG3 ir 16,7 Mb LG5, atstovavo sudėtingoms sritims, kurios elgėsi kitaip nei likęs genomas. Rekombinacija buvo lokaliai sumažinta tiek jungčių žemėlapyje, tiek laukinėse populiacijose, kaip rodo stiprus pusiausvyros pusiausvyros sutrikimas (3A-B pav.). Šie trys regionai buvo labai nevienalyti kiekviename regione, nukleotidų įvairovė parodė labai kontrastingą subregionų modelį (3C pav.). Šių subregionų dalims būdinga maža nukleotidų įvairovė, kuri gali atitikti centromerinius ar pericentromerinius regionus (3C pav., S6 pav.), Taip pat didelį perkeliamų elementų, tokių kaip LINE ar LTR, tankį (S7 pav.). Tačiau šie mažos įvairovės subregionai buvo supinti su didelės įvairovės subregionais, ypač LG5 (3C pav.). Kai kurie iš tų didelės įvairovės subregionų taip pat atitiko išorinių langų grupes vietinėje PCA analizėje ir pasirodė kaip rekombinuoti vidutinio dydžio (1Mb-2Mb) haplotipiniai blokai daliniame LD (S8-S10 pav.). Kadangi nėra daugiau informacijos apie rekombinacijos sumažėjimo mechanizmus, tuos tris genomo regionus laikome tiesiog „mažai rekombinuojančiais regionais“ (vėliau vadinamais Cf-Lrr (2), Cf-Lrr (3), Cf-Lrr (5)). Atitinkamai genomo dalis, vėliau vadinama „kolineariniu“, atmetė ir šiuos regionus, ir inversijas (Cf-Inv (1), Cf-Inv (4.1), Cf-Inv (4.2)ir Plg. „Inv“ (4.3)).

Geografinė struktūra rodo skiriamuosius signalus apverstuose ir mažai rekombinuojančiuose regionuose

Geografija taip pat vaidino svarbų vaidmenį struktūrizuojant genetinę variaciją. Mūsų trečiasis kompiuteris, kuris paaiškino 1,4% dispersijos, atstovavo genetinei variacijai išilgai Šiaurės-Pietų gradiento (4A pav.). Diferenciacija tarp populiacijų porų, matuojama kaip FŠv LD genėtų SNP pogrupyje taip pat sekė Šiaurės – Pietų gradientu, tačiau buvo silpnas visame pasaulyje (FŠv (Nuo 0,003 iki 0,016, S11 pav.)). Mes taip pat aptikome stiprų izoliacijos pagal atstumą (IBD) signalą, nagrinėdami genetinių atstumų ir Euklido atstumų koreliaciją tarp 16 populiacijų (R2 = 0,45, F = 97, p & lt 0,001, S3 lentelė). Atsižvelgiant į mažiausius sąnaudų atstumus palei krantus, o ne į Euklido atstumus tarp vietų, modelio pritaikymas pagerėjo (R2 = 0,63, F = 199, p & lt0,001, ΔAIC = 47, 2 lentelė, S3 lentelė). Tai patvirtina izoliacijos pagal atsparumą modelį (IBR, žr. Metodus), kai sklaida pirmiausia vyksta palei pakrantę ir yra ribojama žemyninėje dalyje arba jūroje.

(A) Trečiasis ir ketvirtasis pagrindiniai PCA komponentai dėl viso genomo variacijos. Asmenis nuspalvina jų geografinis regionas, kaip pav. 1 pav (B-C) Izoliacija atsparumu rodoma kaip ryšys tarp genetinio atstumo (FŠv/ (1-FŠv) ir atstumas mažiausiai kainuojančiu keliu, einančiu pakrante. Spalvos žymi SNP pogrupį, naudojamą apskaičiuojant FŠv. Rezultatai rodomi dviejose skydeliuose su skirtingomis y skalėmis, kad geriau būtų rodomos žemesnės vertės. (D) Inversijų dažnių kitimas išilgai.

Skaičiai tarp laužtinių skliaustų rodo nuolydžio koeficiento 95% pasiskirstymo ribas. Palyginus su kolineariais regionais, parodomas viso modelio rezultatas, lyginant kiekvieną regioną su kolineariniu genomu, pateikiant sąveikos termino kryptį ir reikšmingumą (*).

Šie IBD ir IBR modeliai labai skyrėsi pagal genomą. Svarstant visus SNP, porinė diferenciacija buvo heterogeniškesnė (FŠv= 0,002–0,021, 4B pav.) Ir IBR buvo daug silpnesnis, nors ir reikšmingas (R2 = 0,19, F = 29, p <0,001), nei svarstant LD genėtus SN arba koliniarinius SNP. Taigi mes apskaičiavome porą FŠv tarp populiacijų porų, pagrįstų skirtingais SNP pogrupiais, arba iš kiekvienos inversijos, iš kiekvieno mažai rekombinuojančio regiono, arba iš kolinarinio genomo.

Visų inversijų metu pastebėta padidėjusi populiacijų diferenciacija, palyginti su kolineariniu genomu (S3 lentelė, S12 pav.). Tačiau globalūs geografiniai modeliai skiriasi. Apverstame regione Cf-Inv (1), nebuvo jokio ryšio tarp genetinių ir geografinių atstumų (4B pav., 2 lentelė), rezultatas žymiai kontrastuoja su kolineariniu genomu (S13 pav.). Šį rezultatą lėmė labai kintanti porinė genetinė diferenciacija tarp apversto regiono populiacijų Cf-Inv (1). Atvirkščiai, genetinė diferenciacija tarp geografinių populiacijų apverstuose LG4 regionuose parodė reikšmingus IBD / IBR modelius su žymiai staigesniu regresijos nuolydžiu tarp genetinių ir geografinių atstumų, palyginti su kolineariais regionais (4B-C pav., 2 lentelė, S4 lentelė, 4 pav.). S13). Skirtumą tarp šiaurinių ir pietinių populiacijų atspindėjo aštrus ir reikšmingas inversinių dažnių platuminis klirensas, svyruojantis nuo 0,27 iki 0,75. Plg. „Inv“ (4.1) (GLM: z = -8,1, p <0,001, R2 = 0,41) ir nuo 0,02 iki 0,26 Plg. „Inv“ (4.2 / 4.3) (GLM: z = -6,6, p <0,001, R2 = 0,37). Ryšys tarp platumos ir inversijos dažnio buvo žymiai stipresnis nei atsitiktinai parinktų SNP su panašiais vidutiniais dažniais (4D pav., S14-S15 pav.).

Nors visas genomas (išskyrus inversiją Cf-Inv (1)) parodė IBD ir IBR, jis buvo žymiai padidėjęs dviejuose iš trijų žemai rekombinuojamų regionų, palyginti su koliniariniais regionais. Palyginus su to paties dydžio koliniariniais regionais, regresijos tarp genetinių ir geografinių atstumų nuolydis buvo žymiai didesnis Plg. Lrr (2) ir Plg. Lrr (5) bet ne už Plg. Lrr (3) (4C pav., 2 lentelė, S4 lentelė, S13 pav.). Apskritai geografinė diferenciacija keturiuose apverstuose regionuose ir dviejuose mažai rekombinuojančiuose regionuose parodė modelius, besiskiriančius nuo kolinarinio genomo, nurodant kitokių procesų įtaką nei migracijos ir dreifo pusiausvyra, galbūt skirtingose ​​geografinėse skalėse. Cf-Inv (1) prieš kitus.

Prisitaikanti įvairovė kolokalizuojasi su inversijomis ir mažai rekombinuojančiais regionais

Ištirti tariamus adaptacinės variacijos modelius C. frigida, mes išanalizavome sąsają tarp SNP dažnių ir aplinkos kintamųjų apskritai (šiluminio platumos gradiento ir druskingumo gradiento Šv. Lorenso estuarijoje) ir vietinių (abiotinių ir biotinių sugadintos buveinės savybių) erdvinių skalių (1 pav., Fig. S16, S1 lentelė). Analizės naudojant du skirtingus genotipo ir aplinkos asociacijos metodus (latentinio veiksnio mišrių modelių ir Bayeso modelių) parodė nuoseklius rezultatus, išryškindami aukštas aplinkos asociacijų smailes ir didelius išorinių SNP grupes apverstuose arba mažai rekombinuojamuose regionuose (5A-E pav., 3 lentelė) , S5 lentelė, S17-18 pav. Tačiau skirtingos inversijos buvo susijusios su aplinkos veiksniu ir erdviniu mastu. Mes manėme, kad SNP, kurie abiejose analizėse nuolat įvardijami kaip pašaliniai, yra tariamai prisitaikantys.

Kandidatai SNP, susiję su (A) klimato pokyčiai palei Šiaurės – Pietų gradientą, (B) druskingumo pokytis estuarijos gradiente, (C) nuniokotos buveinės abiotinių savybių pokyčiai, (D-E) sulūžusių dumblių sudėties kitimas. Manheteno grafike parodytas Bajeso faktorius iš Baypass atliktos aplinkos asociacijos analizės, kontroliuojant gyventojų struktūrą. (F) Kandidatų SNP, susijusių su sparno dydžiu. Manheteno siužete rodomos G reikšmės iš GWAS. Taškai nuspalvinami pagal melagingą atradimo dažnį (juoda: & lt0.00001, raudona: & lt0.0001, oranžinė: & lt0.001). Brūkšninės linijos nurodo išvestas inversijų ir mažai rekombinuojančių regionų ribas.

Kandidatų SNP, susijusių su kiekvienu aplinkos variantu, pasiskirstymas naudojant dviejų GEA metodų derinį. N yra pašalintų SNP skaičius tam tikrame regione,% yra šiame regione randamų pašalinių rodiklių dalis ir OR rodo nelyginį santykį. Pusjuodžiu šriftu pažymėtos vertės su žvaigžde rodo reikšmingą kandidatų SNP perteklių tikslioje Fišerio bandyme. Kiekvieno GEA metodo rezultatai pateikti S5 lentelėje.

Dideliu geografiniu mastu asociacijos su klimato svyravimais išilgai gradiento parodė, kad keturiuose inversijose ir mažuose rekombinuojamuose LG2 ir LG5 regionuose buvo didelis per daug išorinių SNP. Šiuose regionuose buvo 2–5 kartus daugiau pašalinių rodiklių, nei tikėtasi atsitiktinai (3 lentelė), ypač stiprios aplinkos asociacijos smailės (BF & gt50, 5A pav.), O signalas buvo žymiai stipresnis nei atsitiktiniams tokio paties dydžio kolinearinio genomo blokams ( S19 pav.). Tačiau taip nebuvo Plg. Lrr (3). Šie rezultatai buvo nuoseklūs, neatsižvelgiant į tai, ar modelį kontroliavo geografinė populiacijos struktūra, ar ne (S17-18 pav.). - dažnių kitimas Plg. „Inv“ (4.1) ir Cf-In (4.2 / 4.3) taip pat buvo reikšmingai susiję su klimato svyravimais, kai jie laikomi vienu lokusu (GLM: Plg. „Inv“ (4.1): z = -7,76, p & lt,001 Plg. „Inv“ (4.2 / 4.3): z = -6,45, p & lt0,001, modeliui paaiškinus 36% ir 37% inversijos dažnio dispersiją, S20 pav.). Druskingumo gradiento kitimas, kuris taip pat apėmė potvynio amplitudės pokyčius, buvo reikšmingai susijęs su ribotesniu SNP skaičiumi. Buvo nustatytas didelis tokių pašalinių rodiklių perteklius Plg. Lrr (3) ir Plg. Lrr (5) (3 lentelė), vieninteliai du regionai, kuriuose asociacijos signalas buvo stipresnis nei kolineariniame genome (S19 pav.).

Geriau geografiškai apverstame regione stipriai praturtėjo išoriniai SNP, susiję su sutrūnijusiomis abiotinėmis savybėmis (gylis, temperatūra ir druskingumas). Cf-Inv (1) kurio koeficientas yra 5, įskaitant labai stiprią atramą turinčius pašalinius rodiklius (BF & gt20, 4 pav. C). SNP asociacijos, turinčios sutrikusias abiotines savybes, buvo stipresnės nei kolineariniuose regionuose Cf-Inv (1)ir marginalesnė Plg. „Inv“ (4.2 / 4.3) (S19 pav.). Tai atspindėjo Cf-Inv (1) dažnis, kuris gerokai atitiko sugadintą (GLM, z = 3,5, p & lt 0,001, R2 = 0,26, S20 pav.). Sunaikintų dumblių sudėties pokyčiai, nulemti dviejų dominuojančių jūros dumblių šeimų, Fucaceae arba Laminariaceae, santykinės gausos, buvo reikšmingai susiję su plačiai paplitusiais SNP, nors inversija Cf-Inv (1) buvo didesnis už koeficiento koeficientą 1,4. Substrato antrinių komponentų kitimą buvo sunkiau interpretuoti, nes jie priklausė nuo platumos ir temperatūros (S16 pav.). Nepaisant to, šie antriniai komponentai taip pat buvo susieti su daugeliu SNP Cf-Inv (1) ir į Plg. Lrr (5) kurių koeficientas yra nuo 3,6 iki 6 (5E pav.), o asociacijos balų pasiskirstymas yra žymiai didesnis nei kolineariniuose blokuose (S19 pav.).

Genotipo-fenotipo asociacija

Kaip sudaužyta kompozicija ir Cf-Inv (1) yra žinoma, kad daro įtaką suaugusiųjų dydžiui (Butlin, Read ir kt., 1982, Edwardas ir Gilburnas 2013), mes naudojome GWAS, kad atskleistume genetinius pokyčius, susijusius su sparnų dydžiu. Tarp 124 701 kandidatų į SNP, kuriuos nustatė GWAS, daugiau nei 99,8% buvo Cf-Inv (1) (5F pav.). Kai buvo pašalintas kariotipo variacija (atlikus analizę tik su homokariotipais), mes beveik neradome SNP kandidatų, susijusių su dydžio kitimu (0 αα asmenims ir iki 3 SNP, kai FDR buvo sumažintas iki p = 0,01 ββ asmenims , S21 pav.). Genų ontologiją atlikome naudodami du duomenų rinkinius: kandidatus, kuriuos nustatė GWAS, ir visus genus, esančius Cf-Inv (1). Abi analizės parodė, kad praturtėjo keli biologiniai procesai, kurie atitinka didelius sparnų dydžio ir gyvenimo istorijos skirtumus, pvz., Morfogenezę, raumenų vystymąsi ar nervų sistemos vystymąsi (S6-S7 lentelės).

Atsižvelgiant į kraštutinį temperatūros diapazoną, kuriame gyvena C. frigida (nuo vidutinio iki subarktinio) taip pat ištyrėme šiluminę adaptaciją. Mes įvertinome atkūrimo laiką po šaltos komos F2, naudojamų susiejimo žemėlapiui kurti. Atsparumas šaltajam smūgiui lokalizuotas LGT QTL, kuris paaiškino apie 13% variacijos (S22 pav.). Pagrindinis pikas LG4 įrenginyje buvo apie 25–28 MB. Šis platus QTL apėmė daugybę išskirtinių SNP, susijusių su klimato pokyčiais, ir kelis anotuotus genus, tarp jų du šilumos smūgio baltymus, kurie gali būti svarbūs terminės adaptacijos kandidatai („Uniprot P61604“ 25 128 982 pozicijoje ir „P29844“ 26 816 283 pozicijoje). Ši smailė buvo tarp dviejų tariamų inversijų Plg. „Inv“ (4.2) ir Plg. „Inv“ (4.3), o 8MB buvo antrinė smailė, tariamas lūžio taškas Plg. „Inv“ (4.1).


SANTRAUKA:

Šiame dokumentas, Federalinė ryšių komisija (Komisija arba FCC) nustatė specifines dažnių juostas, viršijančias 24 GHz, kurios, atrodo, yra tinkamos judriosioms paslaugoms teikti, ir mes norime pakomentuoti siūlomas paslaugų taisykles, kurios leistų mobilias ir kitas operacijas šiose juostose. Šis mobiliųjų milimetrinių bangų (mmW) dažnių juostų naudojimo taisyklių tobulinimas vyksta atsižvelgiant į mūsų pastangas sukurti reguliavimo sistemą, kuri padės palengvinti vadinamąsias penktos kartos (5G) judriąsias paslaugas.


Santrauka

Naujausi skaičiavimo mokslo ir žiniatinklio technologijų pokyčiai suteikia aplinkosaugos bendruomenei nuolat besiplečiančius duomenų rinkimo ir analizės išteklius, kurie kelia precedento neturinčius iššūkius analizės metodų projektavimui, darbo eigai ir sąveikai su duomenų rinkiniais. Atsižvelgiant į neseniai JK mokslinių tyrimų tarybos finansuotą aplinkos virtualiosios observatorijos bandomąjį projektą, šiame straipsnyje apžvelgiami šiuo metu esami diegimo būdai, susiję su internetinėmis technologijomis, skirtomis didelių ir nevienalyčių duomenų rinkinių apdorojimui, ir aptariamas jų tinkamumas aplinkos duomenų apdorojimo, modeliavimo kontekste. ir prognozavimas. Mes nustatėme, kad bandyme naudojamų paprastų duomenų rinkinių apdorojimas pasirodė gana paprastas naudojant R, RPy2, PyWPS ir PostgreSQL derinį. Tačiau naudojant „NoSQL“ duomenų bazes ir įvairiapusiškesnes sistemas, pvz., OGC standartais pagrįstus diegimus, galima suteikti platesnį ir lankstesnį funkcijų rinkinį, kuris ypač palengvina darbą su didesniais kiekiais ir nevienalyčiais duomenų šaltiniais.


„ArcGIS“ debesų paslaugų modeliai

Pagrindiniai operatyvinių paslaugų modeliai skirstomi į keturias kategorijas:

  • „IaaS“ teikia valdomus infrastruktūros išteklius (serverio platformas ir saugyklą), kad būtų galima išplėsti jūsų debesyje priglobtas duomenų centro galimybes. Norint palaikyti debesų infrastruktūroje diegiamas paslaugas, reikalingas standartinis IT savitarnos palaikymas.
  • „SaaS“ teikia debesyje priglobtas programas ir duomenų išteklius. „ArcGIS Online“ teikia duomenų turinį ir savitarnos išteklius, skirtus kurti žemėlapius ir programas, paskelbtus saugiam bendradarbiavimui ir dalijimuisi su grupėmis, apibrėžtomis jūsų debesies bendruomenės aplinkoje.
  • „ArcGIS“ portalas yra produktas, kurį galima diegti klientams, siekiant skatinti bendradarbiavimą ir dalijimąsi saugioje privačioje aplinkoje, neprijungtoje prie interneto. Duomenų prietaisai gali būti diegiami vietoje, dalijantis panašiais ištekliais, esančiais „ArcGIS Online“ aplinkoje.
  • „PaaS“ teikia „ArcGIS for Developers“ platformą, skirtą kurti ir dalytis „ArcGIS“ programomis.

Kaip pastebite, kad padarytumėte neryškų vaizdą, pirmiausia turite padaryti vaizdą, o tada jį sulieti. Šis šešėlis atlieka (tik) antrą žingsnį, imdamas anksčiau sugeneruotą vaizdą ir jį neryškindamas. Norint sugeneruoti originalų, neaiškų vaizdą, kitur reikia papildomo kodo.

Paveikslėlyje naudojamas neryškus branduolys. Programa „tc_offset“ turi būti tinkamai inicijuota, kad susidarytų 3x3 mėginių ėmimo taškų plotas aplink tikrąją tekstūros koordinatę:

(darant prielaidą, kad x yra pradinė koordinatė). Viršutinio kairio mėginių ėmimo taško poslinkis būtų -1 / plotis, -1 / aukštis. Centro taško poslinkis turi būti kruopščiai sulygintas su teksto centru („off-by-0.5“ problema). Be to, aparatinis dvinaris filtras gali būti naudojamas pigiai padidinti neryškumo kiekį (imant mėginius tarp tekstelių).

Likusi šešėlių dalis ima pavyzdžius pagal jų atstumą. Paprastai tai taip pat apskaičiuojama iš anksto:

Vienas iš būdų yra sugeneruoti originalų vaizdą, kad jis būtų pateiktas tekstūrai, o ne ekranui. Tada piešiate viso ekrano kvadratą naudodami šį šešėlį ir tekstūrą, nes tai yra atvaizdo apdorojimo būdas.


Įvadas

Nagrinėjant erdvinius duomenis, atsižvelgiant į konkrečias informacijos rūšies ypatybes, gali būti tikslingiau tą informaciją pateikti (loginiu lygmeniu) naudojant rastrinį arba vektorinį duomenų modelį [1]. Skaitmeninės visuomenės pažanga nuolat didina turimų vektorinių duomenų kiekį, tačiau pigių GPS įrenginių, pavyzdžiui, išmaniųjų telefonų, išvaizda yra atsakinga už didelių duomenų sprogimą, daugiausia dėl judančių objektų trajektorijų. Tą patį reiškinį galima rasti rastrinių duomenų rinkiniuose, kur techninės įrangos pažanga lemia svarbų turimų duomenų dydžio ir kiekio padidėjimą. Tik atsižvelgiant į palydovų gautus vaizdus, ​​kiekvieną dieną susidaro keli terabaitai duomenų [2], ir manoma, kad archyvuotas rastro duomenų kiekis netrukus pasieks zetabaitų skalę [3].

Šis didelis erdvinių duomenų įvairovės, turtingumo ir kiekio padidėjimas taip pat sukėlė naujų informacijos poreikių. Šiais laikais, norint atlikti sudėtingą analizę, daugelyje taikymo sričių reikia derinti įvairiais formatais saugomus duomenis [4]. Akivaizdu, kad sudėtinga sujungti įvairius duomenų modelius, kai susiduriama su dideliu duomenų kiekiu.

Nors yra atlikta daugybė duomenų dydžio, analizės ir heterogeniškumo tyrimų, erdvinių duomenų atveju daugeliu atvejų šie tyrimai yra orientuoti arba į vektorinį modelį, arba į atskirai rastrinį modelį. Du modeliai retai tvarkomi kartu. Pavyzdžiui, įprastas sprendimas užklausoms, kurios apima (kartu) rastrinius ir vektorinius duomenų rinkinius, yra transformuoti vektorinį duomenų rinkinį į rastro duomenų rinkinį ir tada naudoti rastro algoritmą užklausai išspręsti. Tai yra „Map Algebra“ zonos statistikos operacijos sprendimas bent jau ArcGIS ir GRASS [5, 6].

Tačiau kai kuriuose ankstesniuose tyrimuose problema buvo sprendžiama taikant bendrą požiūrį. In [4], a single data model and language is proposed to represent and query both vector and raster data at the logical level. Even a Join operator is suggested, which allows combining, transparently and interchangeably, vector datasets, raster datasets, or both. As an example, the authors propose the query “return the coordinates of the trajectory of an aircraft when it was over a ground with altitude over 1,000”. Unfortunately, no implementation details are given.

Other previous contributions deal with the implementation of query operators that are explicitly defined for querying datasets in different formats [7–10]. Some of them tackled the Join, or a close query, but in this case, these works suffer from limitations (data structures not functional enough, too restrictive join operations, size problems) that will be explained more in detail in the next section.

On the other hand, compression has been used traditionally with the aim of just reducing the size of the datasets in disk and during network transmissions. However, it has recently begun to be used as a way to obtain improvements in other dimensions, such as processing time or scalability [11]. In the last few years, several authors [12–15] have proposed the use of modern compact data structures [16] to represent raster datasets. Compact data structures use compression to reduce the size of the stored dataset, but with the novelty that the compressed data structure can be managed directly in compressed form, even in main memory. By saving main memory, we obtain a more scalable system, but at the same time, we take advantage of a better usage of the memory hierarchy, and thus obtain better running times. This strategy is sometimes called “in-memory” data management [17]. In addition, many compact data structures are equipped with an index that, in the same compressed space, speeds up the queries. This feature is known as “self-indexation”. One example of these compact data structures designed for raster data, and the one achieving the best space/time trade-offs [15], is the k 2 -raster [14], which will be used in this work, thus extending its functionality.

In this work, we propose to use a new framework to store and manage raster and vector datasets. The vector dataset is stored and indexed in a traditional way, using an R-tree [18]. For the raster data, instead, we propose to use a modern compact data structure, the k 2 -raster, which improves the performance of traditional methods.

The algorithms to manage independently each type of data and its corresponding data structure are well-known [14, 19]. However, as explained, the algorithms to process both types of data jointly have been much less studied. Therefore, our proposal requires the design of new algorithms. In this work, we present two new algorithms that are able to efficiently answer two operations having as input a vector dataset and a raster dataset. The first one is a spatial join between the two input datasets imposing a range restriction on the values of the raster dataset. The second algorithm obtains the top-K. different objects of the vector dataset overlapping the highest (or lowest) values of the raster dataset.

Our proposal obtains important savings in disk space, which are mainly due to the use of a k 2 -raster for representing the raster data. In our experiments, the compressed raster data occupied between 9% and 73% of the disk space needed by the original uncompressed raster data. However, the main contributions of this paper are the algorithms for solving the aforementioned operations, which obtain savings also in main memory consumption and processing time. nors k 2 -raster was designed to be used directly in compressed form, it is not trivial to save main memory while processing it. Thus, designing these algorithms becomes challenging, as the direct management of compressed data and indexes requires complex data structures and processes, which could negatively impact the results in main memory consumption and running time.


Note that there is a wide variation regarding the identified tasks in the literature (refer to Li (2009) for an overview). In this survey we focus on a faceted-oriented task analysis approach.

For example, instead of just displaying the number of books of an author on a particular topic, also show the average price of the author’s books.

One could adopt visualization approaches like in Kehrer and Hauser (2013) or techniques that derive overviews, like the top-k diagrams proposed in Fafalios and Tzitzikas (2014), but such works go beyond the scope of this paper.

Since cr3 does not participate to a madeBy property, an alternative approach that one might follow is to add an artificial value, say NonApplicable/Unknown , whose count would equal 1, for informing the user that one element of the focus has no value to the madeBy property.

This kind of transition is called existential selection in Oren et al. (2006).

TriQ (Arenas et al. 2014) is a datalog based QL that offers a general form of recursion, reasoning and navigational capabilities, that incorporates the main RDF QLs.

This “mapping” can be implemented over any web accessible RDF/S dataset by exploiting the SPARQL extension described in Fafalios and Tzitzikas (2015), even if no triplestore or SPARQL endpoint is installed.

Measurements performed b Michalis Mountantonakis


Grades of Accuracy and Grades of Generation for scan-to-BIM model process: specification proposal inheriting the representation scale concept

In this paragraph, the authors introduce the concept of scale in the model generation, demonstrating the importance of adopting new scan-to-BIM requirements and reference scales for the generation of 3D model as unique elements of their kind. The growing need to escape from a preconceived logic of BIM object libraries for new buildings has led to the definition of a method based on the following research objectives.

It was found that in the scan-to-BIM process, GOGs and GOA, and LOGs, are fundamental concepts introduced in the digitization process of the built heritage to improve multiple aspects such as:

the specifications required to define a generative process based on point clouds coming from surveying (terrestrial laser scanning or mobile techniques, photogrammetry),

the level of the information linked to each parametric object (new customized HBIM parameters, schedules, and BIM databases, including the scale of model generation),

a reliable HBIM models capable of orienting itself to different types of BIM-based analysis and uses (HBIM model export through open source and proprietary formats).

In this context, the definition of new scan-to-BIM modeling requirements, such as GOAs, is decisive for the generation of complex architectural elements in order to address the model generation following the GOG specifications. It overcomes the pre-set logic of BIM default libraries and simple objects (as generally followed for the creation of new buildings) that do not communicate the peculiarities (geometric and semantic) of such unique elements, in favor of ad hoc specification process.

For those reasons, in the next paragraph, an HBIM model specification is proposed starting from the commonly recognized concept of representation scales defining different level of details and tolerances indicators: the concepts of graphic error, tolerance and grades of generation, and accuracy, have been related to the final purpose of declaring the reliability of the scan-to-HBIM model at different scales of representation and tolerance.

How to evaluate a 3D model? It is the model committed at the scale 1:100 feasible for my purposes? What does it mean that a model has a 1:100 scale? If I have a model generated with the precision of a 1:100 scale, is it useful to understand the morphologic shape and the construction techniques, or the state of its conservation? To answer these questions, we have to start from a commonly shared specification that can be fixed for the different scales to different 3D models. Then, in the function of the thousands of variables of the constrain and decision context, every actor can associate a proper scale to generate a proper model. This way actors and users can decide if the model, coming from previous analysis, requires further integration or if the model needs to be simplified at a certain point of the data management (i.e., for energetic purposes using standard tools not enabled to manage complex model).

HBIM models, scales, and grades of 3D model accuracy: specifications, scales of representation, and tolerance

To reliably share a model, such as a vault BIM object, one needs to know the following: which was the commitment purpose and thus the required scale how it has been surveyed if the model has been generated in a congruent way that depends on the object level of complexity and the type of geometrical survey in order to generate an object model with the proper accuracy. This information should be included within the Level of Information of each object model in order to manage the different Level of Geometry within the different phases as described in the “A proposal for HBIM Levels of Geometry (100–500) as a function of the phases, the Levels of Development” section.

Some constraints, roles, and specifications need to be fixed to guarantee the needed accuracy in the model’s generation. The proposal is to inherit the surveying specification concept traditionally linked to the different map representation scales (as for the case of the scale 1:25.000 for territorial maps, i.e., IGM maps, Istituto Geografico Militare, the Geographic Military Institute in Italy, or the scale 1:10.000 and 1:5000 for the technical regional-scale maps, 1:2000, 1:1000 and 1:500 for the municipality technical maps, etc.), as standardized in the aero-photogrammetric process adopted in the cartographic world, and inherited by the architectural surveying specifications (1:100, 1:50, 1:20, 1:10, 1:1), now addressing them to the 3D HBIM model objects. Such requirements have been adopted for many decades in the tenders’ specifications at a worldwide level. In these cases, the simple basic role conventionally adopted is the minimum level of detail (the so-called Graphic Error, G.E.) and the related Tolerance (T). The choice of the “scale” depends on the survey’s objective and the type of use of the final product (Banfi 2019 Brumana et al. 2019): once defined, clear indicators allow to generate and to validate the output.

Given the conventional definition of Graphic Error fixing the smallest detail that can be represented at a given scale (G.E. = 0.2 mm,) and tolerance (T = 2 ÷ 3 G.E. value), we can apply such values to all the different scales obtaining an indicator of precision and domain usability. If we relate the minimum graphic details (pixel or vector) to the real object (the correspondent physical object, as in the case of the Terrain Pixel value), we derive the following proportion: “1: n = G.E.: x,” where “n” is the scale factor (20, 50, etc.) and “x” is the correspondent dimension of the G.E. on the ground or on the architectural object that can be a façade or a plan or section.

For example, at 1:50 scale, the G.E. value is 1 cm, and the admitted tolerance (T) is 2 ÷ 3 cm, while for the 1:20 scale, G.E. is 4 mm, and T is equivalent to a ranging value (8 ÷ 12 mm). The Grade of Accuracy is automatically associated with the chosen scale. Technical municipalities’ maps at the scale 1:1000 have G.E. = 200 mm and T = 400 ÷ 600 mm, as illustrated in the first 4 columns of Table 1. In the case of photogrammetric restitution (as rectified images or orthoimages), the minimum detail is fixed at half the G.E. value at the given scale, with a restrictive requirement in order to consider the whole data processing (third column).

The precision of the surveying instruments and restitution scale needs to be coherent with those values to make them reliable by the technical uses and users. For this matter, the specifications for tender of maps production as well as for large-scale architectural surveys are strictly related to the concept of scale or scales adopted (i.e., global surveying at 1:50 scale with some details at 1:20, others at 1:10, depending on the different purposes and specificity of the object). Every architect knows that a drawing of a window for its manufacturing or preservation requires 1:5 ÷ 1:10 scales to properly represent some specific details. The photogrammetric mosaic floor of the Basilica of San Marcus has been realized at a 1:1 scale to represent the “waving” floor for the maintenance purposes and intervention on the single “tessera” (Monti et al. 2006).Table 1 illustrates the concept of scales related to the HBIM 3D models object created by the generative process to respect the richness of detail and tolerance fixed in the given scale. A model generated at the common scale 1:50 implies a minimum detail equivalent to 10 mm and a tolerance contained among 20 ÷ 30 mm.

The scale index of an object model is here proposed to be explicated by the Grade of Accuracy (GOA10, GOA20, GOA50, GOA100) defines automatically the different minimum detail to be taken in account and tolerances admitted in the modeling generations (Table 1, columns 6 and 7). Thus, GOA 20 means that the model accuracy of vaults as well as other components (as the octagonal columns in the Basilica di Collemaggio) with respect to the cloud points needs to be contained within the tolerance at that scale (T 20 = 8 ÷ 12 mm). The precision of the surveying, as in the case of point clouds acquired with TLS (laser scanner FARO Focus 3D), allows the extraction of vertical and horizontal profiles with high accuracy (2 ÷ 5 mm), thus coherent to the scales GOA20 and GOA50. Obviously in case we choose model scale bigger than the surveying precision (as it happens when we require 1:20/1/10 scale for porfiles and out of plumbs analysis), it will work in favor of the object model that will be generated, not the opposite!

The selection of the proper scale of the object model is complementary to the orthoimage scale definition. It can also happen to define a lower model scale (i.e., GOA50 for the HBIM model) and a higher orthoimage scale (i.e., 1:20) for the model texturing, obviously, we will have different tolerances. And in the common praxis, it often happens: given the short distances of indoor contexts among the principal point of the digital camera and the object to be acquired, i.e., the vault intrados, the terrain pixel coming from the photogrammetric image block (conventionally set at G.E./2 for the different scales) ranges from 1 ÷ 2 mm dependently from the distances from the camera parameters and the object surface thus, the richness of the data acquired is coherent to scales that range from 1:20 to 1:10, without any additional effort (time and cost) in the surveying phase. The specification related to the adoption of the smallest detail of the pixel unit correspondent to half the G.E., inherited from the cartographic domain, takes into account the average of the “scale” of the photogrammetric images, with the different distances from the objects, the distortions, and the whole image data processing. Thus, the data entry quality concerning the whole process guarantees the output scale in terms of quality.

Once fixed the HBIM model scale with its indicators (G.E. and T), the second step to be clarified in the specification is how to guarantee a model generation coherent with the chosen scale as defined in the following paragraphs.

NURBS-based modeling and descriptive geometry are defined in the Grades of Generation (GOGs) 9 and 10, where the 3D architectural representation from point clouds meets the measurement value. Behind these concepts emerges the growing need to faithfully represent the detected artifact, thus ensuring its reliability for subsequent uses (Banfi 2020).

The following paragraphs describe the case of a Wall Object and Vaulted Object to guide the end-users across selecting the proper scale in the function of geometry, modeling and general objectives.

Cases of wall objects: scale models and model generation specifications

Different scales can be thus adopted in the same HBIM design project following the lesson learnt from the Basilica di Collemaggio in L’Aquila (Brumana et al. 2018a) adopting a global 1:50 GOA scale for the wall objects, and a GOA scale 1:20 for the most damaged South Wall with the Holy door without of plumb ranging from 10 ÷ 20 cm after the earthquake.

In the case of the Basilica di Sant’Ambrogio in Milan (Banfi et al. 2019), the particular curved waved wall (round 46 cm with respect to a virtual plane) adjacent to the left nave at the women gallery level has been modeled generating the wall object characterized by a double curvature at the scale 1:20 in order to analyze that specificity to carry on the hypothesis on the wall generation, transformation, and supposed reinforcing (Fig. 3). Given the complexity of the wall and the maximum range of the undulation, its simplification and degeneration to a single parallelopiped correspond to urban scales (GOA2000, T800 ÷ 1200 mm, clashing the arches, or GOA1000, T400 ÷ 600 mm keeping the arches in the model) and not to a 1:100 scale generally considered a simplified scale! In fact, a GOA100 would mean to take into account the deformation with respect to a virtual plan within 40 ÷ 60 mm. Obviously, it is a case limit but it is worth stressing the point.

Three possible models (GOA2000, 1000, 20) of the same wall. GOA can change according to project requirements, scales of representation, and tolerance. The Automatic Validation System (AVS), obtained at the end of the NURBS-based modeling, allows to understand the standard deviation of the surfaces from the cloud points (in case of a laser scanning survey)

GOAs 50 and 20 roles are hereafter described for the model generation.

Case of GOA50-wall object

Planarity check: standard deviation ≤ 20 ÷ 30 mm

Case of walls (or portions) with a standard deviation of the point clouds surveyed representing the physical object respect to the average plane surface in correspondence of the façade surfaces (internal and/or external) ≤ 20 ÷ 30 mm: the planarity check can be easily carried out using the available functionalities within modelers’ tools and/or BIM tools. In this case, a 1:50 scale (equivalent GOA50) is chosen: the objects can be modeled adopting simplified Grade of Generations 1–8 (Brumana et al. 2019).

Research of Plane Extraction Methods can be inherited to guide toward the proper scale selection with the support of automatic and semiautomatic point interpolations (Wang et al. 2016).

GOGs 1–8 define simplified functionalities (i.e., based on extrusion, subtraction, sweep, and other modeling functionalities). Where needed, it is possible to associate the different options to model sub-portions (as in the case of openings, or irregular plan profile with discontinuities coming from the transformation occurred across the centuries or others): the discretization of the overall object is made by subdividing its homogeneous elements, checking the planarity and modeling the different portions. Void and subtraction functions can be used to model the complexity of a historical stratified wall.

GOG 1–8: simplified solid model objects can be adopted for elements whose conceptual model (in this case planarity check) has standard deviation respect to the cloud points ≤ 20 ÷ 30 mm (i.e., vertical walls with non-planarity or out of plumbs ≤ 20 ÷ 30 mm).

Planarity check: standard deviation ≥ 20 ÷ 30 mm

Case of walls (or portions) with a standard deviation of the point clouds respect to the average plane surface in correspondence of the façade surfaces (internal and/or external) ≥ 20 ÷ 30 mm: if the planarity check gives back this range of values, it means that the wall within this scale cannot be considered a plan at the given 1:50 scale - thus the out of plumbs need to be checked for the structural analysis (as in the case of Collemaggio’s Basilica walls), or characterized by voluntary morphological shapes adopted in the construction phase, to be further decoded, as in this case.

GOG 9–10: NURBS-based model object built on the primitives (profiles) or on the cloud points together with the 3D border outline can be thus adopted for elements with standard deviation respect to the adopted conceptual simplified solid ≥ 20 ÷ 30 mm (i.e., vertical walls with standard deviation respect to the planarity check ≥ 20 ÷ 30 mm, or without of plumbs ≥ 20 ÷ 30 mm or pillars with standard deviation respect to the planarity check ≥ 20 ÷ 30 mm).

If this scale is not enough to understand the state of the art, it can be shifted toward a deeper scale 1:20 (equivalent GOA20): the objects are modeled adopting the GOGs 9–10 (NURBS-based object modeling), embodying the complexity of the shape to follow the geometry discretized by the point clouds.

Case of GOA20-wall object

Planarity check: standard deviation ≤ 8 ÷ 12 mm

GOG 1–8: simplified solid model objects can be adopted for elements whose conceptual model (in this case planarity check respect to the intrados and extrados a plane surface) has standard deviation respect to the cloud points ≤ 8 ÷ 12 mm.

Planarity check: standard deviation ≥ 8 ÷ 12 mm

GOG 9–10: NURBS-based model object can be adopted for elements whose conceptual model (in this case planarity check respect to the intrados and extrados plane surface or planes with different orientation as in the case of scarf walls) has standard deviation respect to the conceptual simplified solid ≥ 8 ÷ 12 mm.

HBIM of St. Bernard’s chapel star vault in the Plasy Monastery: model generation with different scales

A different GOA (200–100–50–20) adoption is illustrated for a complex vaulted system. Vaults generally have a more complex geometry than the typology classification based on simplified volumes and their intersection: detailed surveying of intrados and extrados, together with thermal images analysis, allows one to detect shapes that are different from the conceptual solids coming from the technical literature (Brumana et al. 2018b).

This paragraph describes the different scales and accuracy applied to different GOAs (GOA20, GOA50, and GOA10) to detect the geometry and the construction techniques, depending on the available information. In this case, intrados and extrados of St. Bernard’s chapel star vault were studied through on-site observations, geometric surveys, and photogrammetry.

At the intrados, the star vault can be schematically represented by a sphere interpreted by 8 lunettes that creates arches, while at the extrados, it is framed by radial Y-ribs.

A proper scale was defined for each component of the star vault, taking into account (i) the survey precision gained (and also surveying limitations due to the context and museum management), (ii) the geometric characteristics that could be evidenced adopting the proper scale, and the particularity of the surface finishing (i.e., the intrados stuccoes and the raw mortar finishing of the extrados). Each object model scale characterized by different tolerance factors has driven the model generation of the vault components.

In order to filter the stuccoes decoration at the intrados and to analyze the geometry of the framed ribs and of the lunettes, it has been chosen a 1:20 scale adopting a GOA20 in the modeling phase. The intrados surface has been surveyed and modeled at a 1:20 scale, generating an HBIM object at GOA20. Since the vault construction technique is an example of so-called frame vault (arches and lunettes), the HBIM model generation has been addressed to the segmentation of these two object elements.

Modeling the whole star vault object does not only require a reliable intrados model, adopting GOA20 to detect the geometry of the ribs and lunettes, but also an integration of the extrados textured model with GOA50. The extrados, due to surveying constraints and mortar cover irregularities given back from the photogrammetric orthoimage and point clouds, was modeled at a 1:50 scale, with a range tolerance of 20 ÷ 30 mm. However, from the extrados, it was possible to see the arrangement of the bricks, thus understanding the construction technique and the connection with the intrados. Thus, a detail of the Y-ribs was modeled at GOA10 to represent the arrangement of the bricks on the vault and lunette extrados surface (Fig. 4). The analysis made it possible to derive a more in-depth knowledge of the construction technique to better support the vault structural behavior and boost the preservation actions.

Intrados (vault and lunette) geometric analysis: (A) the longitudinal section of the vault is a segmental arch that has a deviation from a round arch of about 18 cm (worst case) (B) lunette profile is a segmental arch that deviates from the round one of about 18 cm (worst case) (C) lunette transversal section is a part of a round arch whose center is not at the same level of the end of the arch (D) lunette transversal section is a segmental arch that deviates from the round arch of about 10 cm (E) lunette profile is a curve that deviates from the line of about 6 cm

Model generations and specifications

HBIM model generation followed the specification steps for the generative model of complex shapes (Banfi 2019). It was then adapted to the different GOAs:

Extraction of primitives from point clouds to intercept the primary geometry: this process can be done manually or in a semi-automatic way. It should be stressed that the geometric interpretation of the collected data and the constructive analysis of the product depend totally on the modeler.

From the NURBS model to HBIM objects: thanks to NURBS algorithms, it was possible to apply GOG 10 where it was necessary. Through a semi-automatic procedure, simple points were turned into a model capable of accurately following the vault geometry, both at the intrados and the extrados. The upper and lower vault parts have been connected and georeferenced directly in a three-dimensional environment thanks to common points identified in the wall texture. In the generative phase, GOG 10 scan-to-BIM requirements, the scale of representation, and the amount of information included in the model had been considered. An accurate breakdown by structural elements consequently determined the level of information shared via BIM parameters, clouds, and databases. NURBS-based models have been generated with the intrinsic characteristic of being HBIM enabled parametric complex object.

The Grade of Accuracy and the scale of representation definition, validation, and communication of the object library (toward HBIM metadata enrichment): the definition of methods capable of validating and communicating the model reliability to the various users has been undertaken. Communicating the specific GOAs and the scale of representation adopted for each model component within the HBIM information properties, through known quantitative parameters, is vital for each phase of BIM uses after the HBIM model generation within the HBIM contest but also in the case of data sharing outside the single HBIM use. For this reason, the HBIM object, before being shared, must be verified connecting such values as a sort of metadata: an Automatic Verification System (AVS) has been applied to different scales of representation with the ultimate goal of demonstrating the level of accuracy, analyzing the quality level (Banfi 2019).

Implementation and development of new HBIM parameters enriching the object library: as briefly mentioned, the need to create a library of unique objects, such as St. Bernard’s chapel, required the development of new description parameters for communicating a series of contents, such as construction, materials, arrangements, family of workers, and geolocation with more specific information such as historical periods, descriptions, and historical documentation from the archives. External links could also redirect the collected data, such as orthophotos, texts, point clouds, 2D drawings, and historical reports.

GOA20—the intrados and the lunettes

The intrados and the lunettes structure of the star vault were modeled with GOA20 (a Grade of Accuracy of the model equivalent to 1:20 scale).

GOA20 means that the object model accuracy respect to the cloud points will be contained within the tolerance at that scale (T20 = 8 ÷ 12 mm). This factor implies that to model the object with such precision, it is required reliable modeling of the intrados. This object cannot be modeled at this scale with a sphere!

Such accuracy highlighted the complex typology and detected the creativity of the geometric design (Stanga et al. 2019). Thanks to the direct application of GOG 9 and 10, it has been possible to go beyond a simple 2D representation or simplified theoretical representation.

The analysis on the shape and dimension of vault sections and lunettes profiles was carried out (Fig. 4). The longitudinal section of the vault (A) is not a round arch but is a segmental arch. It slightly deviates from the round arch of about 18 cm (worst case). Considering the lunettes: B profile is a segmental arch that deviates from the round one of about 18 cm (worst case), C transversal section is a part of a round arch whose center is not at the same level of the end of the arch, D transversal section is a segmental arches that deviates from the round arch of about 10 cm, and E profile is a curve that deviates from the line of about 6 cm.

Santini would probably get inspiration from the pure solids for the design of the vault (a sphere), since he was keen onmathematics and geometry. Then, why those discrepancies between the conceptual model and the real vault? Many reasons could explain those deviations: problems during the construction process (a bad construction of the centering or problems during de-centering), the thickness of stuccos and paintings, settlement of the building across the centuries (the Monastery was built in the twelfth century on a water-land on 5100 oak piles to reinforced the swampy ground) or a voluntary adoption of curves characterized by multiple centers (polycentric arches).

Moreover, since the E profile of the lunettes is not a straight line, it means that the lunette surfaces are not built by the translation of the segmental arch. They are surfaces with double-curvature, which means that they were probably built without using a centering, or maybe using the groins of the lunette as a centering. This hypothesis could be possible, but the brick arrangement of the lunettes is longitudinal and it does not match the herringbone pattern, which is the usual pattern for free-hand vault (Wendland 2008). In the case the lunettes were built using a centering, it could be possible that they place some sand on it to give curvature to the E profile, perhaps due to aesthetic reason. To properly model such complex geometries, the modeling process of the lunettes and ribs at the intrados is illustrated adopting GOA20 with the result of modeling the curvature of the intrados not approximating a simple semi-circumference—as from the profile analysis—but the geometric curvature by extracting the primitives and the borders, thus obtaining the wireframe model as explained in Fig. 5.