जीआयएसमधील वेक्टर डेटा मॉडेलसाठी खालीलपैकी कोणती विधाने खरी आहेत.

A. हे एक साधे डेटा मॉडेल आहे आणि कार्टोग्राफिक आउटपुट गुणवत्ता कमी असते

B. ही एक संक्षिप्त डेटा रचना आहे आणि कार्टोग्राफिक आउटपुट गुणवत्ता उच्च असते

C. हे डेटा प्रोसेसिंगच्या प्रकरणाद्वारे दाखवले जाते

D. ही स्वस्त डेटा संकलन प्रक्रिया आहे कारण ते कमी खर्चिक तंत्रज्ञान होते

जीआयएसमधील डेटा मॉडेल:

• नैसर्गिक घटनांची कल्पना करण्यासाठी, एखाद्याने प्रथम भौगोलिक जागेचे सर्वोत्तम प्रतिनिधित्व कसे करावे हे निर्धारित केले पाहिजे.
• डेटा मॉडेल्स हे नियम आणि/किंवा कंस्ट्रक्ट आहेत जे संगणकामध्ये वास्तविक जगाच्या पैलूंचे वर्णन आणि प्रतिनिधित्व करण्यासाठी वापरले जातात.
• हे काम पूर्ण करण्यासाठी दोन प्राथमिक डेटा मॉडेल उपलब्ध आहेत: rएस्टर डेटा मॉडेल आणि वेक्टर डेटा मॉडेल.

Key Points

वेक्टर डेटा मॉडेल:

• जीआयएस मधील वेक्टर डेटा/स्तर बिंदू, रेषा आणि बहुभुज द्वारे दाखवलेल्या स्वतंत्र वस्तूंचा संदर्भ देतात.
• दोन किंवा अधिक बिंदू जोडून रेषा तयार होतात आणि बहुभुज रेषांचा बंद संच असतो.
• स्तर भूमितीचे प्रतिनिधित्व करतात जे गुणधर्मांचा एक सामान्य संच शेअर करतात.
• एका स्तरामधील ऑब्जेक्ट्समध्ये एकसमान संस्थिती असते.
• वेक्टर स्त्रोतांमध्ये डिजिटाइज केलेले नकाशे, प्रतिमा सर्वेक्षणातून काढलेली वैशिष्ट्ये आणि बरेच काही समाविष्ट आहे.

• हे घटक आहेत,
  • बिंदू: जीआयएसमधील एक बिंदू निर्देशांक (x आणि y) च्या एका जोडीद्वारे दाखवले जाते. ती एक आयामरहित वस्तू मानली जाते. बहुतेक वेळा बिंदू एखाद्या वैशिष्ट्याचे स्थान दर्शवतो (जसे शहरे, विहिरी, गावे इ.).
  • रेषा: एका रेषेत किंवा वक्र रेषेमध्ये किमान दोन जोड्या सहनिर्देशांक असतात (जसे की, x1, y1 आणि x2, y2). दुसऱ्या शब्दामध्ये, एक ओळ किमान दोन बिंदूंशी जोडली पाहिजे. रेषेचा प्रारंभ आणि शेवटच्या बिंदूंना अंत्यबिंदू म्हणून संबोधले जाते तर वक्र रेषेवरील बिंदूंना शिरोबिंदू म्हणतात.छेदनबिंदूंवरील बिंदूंना अंत्यबिंदू असेही म्हणतात. रस्ते, रेल्वे ट्रॅक, ओढे इत्यादी साधारणपणे एका रेषेद्वारे दाखवल्या जातात.
  • बहुभुजा: सोप्या शब्दामध्ये, बहुभुज ही क्षेत्रासह बंद रेषा आहे. एखाद्या क्षेत्राचे किंवा बहुभुजाचे प्रतिनिधित्व करण्यासाठी किमान तीन जोड्या सहनिर्देशांक लागतात. शहरे, जंगले, जमीन वापर इत्यादींची व्याप्ती बहुभुजाद्वारे दाखवली जाते.

Important Points

फायदे:

• डेटा सामान्यीकरण न करता त्याच्या मूळ रिझोल्यूशन आणि फॉर्ममध्ये सादर केला जाऊ शकतो.
• ग्राफिक आऊटपुट सहसा सौंदर्यानुरूप अधिक चांगले असते (पारंपारिक कार्टोग्राफिक सादरीकरण)
• बहुतेक डेटा असल्याने, उदा. हार्ड कॉपी नकाशे, वेक्टर स्वरूपात आहेत डेटा रूपांतरण आवश्यक नाही.
• डेटाचे अचूक भौगोलिक स्थान राखले जाते.
• संस्थितीचे कार्यक्षम एन्कोडिंग करता येते आणि परिणामी अधिक कार्यक्षम संचालन करता येते, ज्यांना संस्थितीची माहिती असणे आवश्यक असते जसे की, समीपता, नेटवर्क विश्लेषण.

तोटे:

• प्रत्येक शिरोबिंदूचे स्थान स्पष्टपणे संग्रहित करणे आवश्यक आहे.
• प्रभावी विश्लेषणासाठी, वेक्टर डेटाला संस्थिती संरचनेमध्ये रूपांतरित करणे आवश्यक आहे. हे सहसा गहन प्रक्रियेद्वारे केले जाते आणि सहसा विस्तृत डेटा साफ करण्याची आवश्यकता असते. तसेच, संस्थिती स्थिर आहे आणि वेक्टर डेटाचे कोणतेही अद्ययावत किंवा संपादन करण्यासाठी संस्थितीची पुनर्बांधणी आवश्यक आहे.
• हाताळणी आणि विश्लेषण कार्यांसाठी अल्गोरिदम जटिल आणि प्रक्रिया गहन आहे. अनेकवेळा, ही कार्यक्षमता मोठ्या डेटासाठी मर्यादित असते, उदा. वैशिष्ट्यांची मोठी संख्या.
• सतत डेटा, जसे की उंचीचा डेटा, वेक्टर स्वरूपात प्रभावीपणे दाखवले जात नाही. सहसा, या डेटा स्तरांसाठी महत्त्वपूर्ण डेटा सामान्यीकरण किंवा आंतरवेशन आवश्यक असते.
• बहुभुजांमध्ये अभिक्षेत्रीय विश्लेषण आणि फिल्टरिंग अशक्य आहे
• ही एक संक्षिप्त डेटा रचना आहे आणि कार्टोग्राफिक आउटपुट गुणवत्ता उच्च असते.

म्हणून, वेक्टर डेटा मॉडेलबद्दल 'B' पर्याय योग्य आहे, हे स्पष्ट आहे.