Mais

Melhorando a transição da cena global ao alterar a localização usando marcadores no ArcGIS Pro?

Melhorando a transição da cena global ao alterar a localização usando marcadores no ArcGIS Pro?


Usando ArcGIS Pro 1.0.0 eu tenho:

  1. Criado um novo projeto usando Global Scene.aptx
  2. Mudou o mapa base para National Geographic
  3. Marcadores navegados e criados para alguns países de tamanhos diferentes: Austrália e Cingapura
  4. Use as opções do projeto para definir o tempo de transição para 2,0 segundos na guia de navegação
  5. Usou os favoritos para navegar alternadamente entre Austrália e Cingapura

Eu esperava que isso resultasse na criação de um cache de exibição que significaria nenhuma nova renderização e uma exibição muito suave durante a transição.

No entanto, cada vez que uso um marcador para ir para outro país, ocorrem alguns segundos de renderização borrada.

Existem configurações disponíveis que devem me ajudar a obter o resultado que descrevo como esperado acima?


Acabei de testar isso usando uma versão posterior do ArcGIS Pro e, embora eu ache que o comportamento do software é o mesmo, tenho experimentado com as Opções do projeto para definir o Tempo de transição na guia Navegação para valores de 0,0, 2.0 e 5.0 segundos.

Os tempos de transição mais longos exacerbam o "efeito embaçado" descrito na pergunta e, ao defini-lo para 0,0 segundos, esse efeito é minimizado.

Conseqüentemente, vou usar um Tempo de transição de 0,0 segundos.


O ArcGIS Javascript API carrega automaticamente a estrutura Dojo que define seu próprio carregador AMD. Aqui, ele está tentando usar o carregador de RequireJs, pois ele não substitui as funções se elas já existirem. No entanto, a implementação do Dojo tem alguns métodos não padrão anexados a algumas de suas funções (como 'has' neste exemplo, acho que 'add' pode ser postado por outra pessoa), que os módulos do dojo usam internamente. Isso significa que, para que o dojo funcione, atualmente é necessário usar o carregador do Dojo. Como efeito colateral disso, ArcGIS JS API é incompatível com RequireJs atualmente.

http://requirejs.org/docs/dojo.html tem algumas informações de RequireJs (embora o tíquete vinculado seja enganoso, pois sendo 'corrigido', refere-se a esse bloco de código específico, e não ao problema de toda a estrutura).

O uso de requirejs com dojo 1.9.1 é um problema semelhante. Eles parecem ter resolvido isso usando a versão Source / SDK do Dojo, mas acho que isso é impossível ao trabalhar com ArcGIS Javascript API.


Desenvolvendo um modelo de dados de pontos de interesse internos para oferecer suporte a serviços baseados em localização

O foco em aplicações espaciais internas tem aumentado com o crescente interesse em espaços internos. Junto com o uso generalizado de dispositivos móveis e da Internet, aumentou a demanda por serviços baseados em localização interna (LBS), exigindo representação e gerenciamento mais eficientes de dados espaciais internos. Os dados de pontos de interesse internos (POI internos), representando tanto espaços quanto instalações internas, fornecem a infraestrutura para esses serviços. Esses conjuntos de dados são vitais para fornecer informações oportunas e precisas aos usuários, como em casos de gerenciamento de instalações internas. No entanto, embora existam estudos que exploram seu uso em aplicativos e esforços para a padronização do modelo de dados, a maioria dos estudos de desenvolvimento de POI tem se concentrado em exteriores e permanecem subdesenvolvidos em interiores. Neste artigo, propomos um modelo de dados de POI interno espaço-temporal para fornecer orientação para o estabelecimento de dados de POI interno e para abordar as limitações nas especificações de dados disponíveis atualmente. Explorando como os POIs internos são diferentes de suas contrapartes externas, particularmente na extensão das funções de suas contrapartes externas na busca, compartilhamento e rotulagem, descrevemos o modelo de dados e seus componentes usando a Unified Modeling Language (UML). Realizamos um experimento de consulta baseado em SQL para demonstrar o uso potencial do modelo de dados usando dados de amostra.

1. Introdução

Hoje em dia, as atividades humanas do dia a dia estão intimamente ligadas ao uso de dispositivos móveis e gadgets, a maioria equipada com receptores GPS e câmeras, e estão continuamente melhorando em termos de recursos e velocidades, enquanto diminuem de tamanho [1, 2]. Com isso, a demanda por informações surgiu por meio de serviços baseados em localização (LBS), que visam fornecer aos usuários informações relevantes e oportunas com base em suas posições [1, 3], e aplicativos de realidade aumentada (AR) que combinam imagens do real. mundo para imagens virtuais em três dimensões [4]. Esses serviços fazem parte do principal requisito das Smart Cities, já que localidades ao redor do mundo buscam estabelecer uma integração perfeita da tecnologia com a vida diária de seus cidadãos.

Agora, como o interesse por espaços internos continua a crescer [5], a demanda por aplicações e serviços espaciais também aumenta. Essas tecnologias que sinalizam que agora vivemos em um mundo digital despertam o interesse na digitalização de cenas internas do mundo real [6].

POI interno é um local em um espaço interno onde as informações sobre um determinado local, serviço, instalação ou evento estão disponíveis, em contraste com os POIs tradicionais localizados em ambientes externos. Um conjunto de dados de POI interno confiável é vital para fornecer a infraestrutura fundamental para o LBS, para fornecer serviços bem-sucedidos aos usuários. Essa abordagem, no entanto, enfrenta várias dificuldades. Em primeiro lugar, os POIs internos nem sempre são identificados por um nome próprio, pois a maioria dos recursos que eles representam em um espaço interno consiste em instalações, como máquinas de bilhetes, câmeras de CFTV ou extintores de incêndio. Em segundo lugar, os POIs internos são mais apropriadamente referidos por seu tipo ou classificação, mudando a ideia geral de POI de um local que é identificado por um nome exclusivo. As definições básicas de POI de W3C [2] e OGC [7] afirmam que um nome é um componente primário, junto com ID e localização. Terceiro, a maioria dos LBS indoor ainda está fornecendo serviço no nível do visualizador [8], devido aos modelos de dados existentes serem subdesenvolvidos no aspecto interno e não diferenciados com seus equivalentes externos. Padrões estabelecidos relacionados principalmente a lidar com dados internos lidaram mais com navegação, como o Open Geospatial Consortium (OGC) padrão Indoor Geography Markup Language (IndoorGML) [9], e não sobre a representação de recursos e espaços para LBS, e eles não têm especificações precisas a respeito POI interno em seus respectivos modelos.

Este trabalho é motivado pela exigência de formalização de POI Indoor, para expandir serviços como gerenciamento de instalações, simulação e monitoramento. Como os aplicativos atuais exigem classificação adicional de POIs em níveis - objetos nomeados com ID e localização como Nível 1, locais que incluem objetos reais não nomeados, como instalações internas ou externas como Nível 2, e ativos intangíveis ou eventos como Nível 3 [2]. POIs internos, por exemplo, assumem importância primordial no Nível 2, já que ganhou interesse na crescente demanda por aplicações internas, incluindo LBS interno, gerenciamento de instalações internas, aumento da acessibilidade para pessoas com deficiência, evacuação para emergências e até mesmo comercial ou robótica formulários.

Em resposta às dificuldades enfrentadas em lidar com POI Indoor, acima expostas, este estudo propõe um modelo de dados que caracteriza seus aspectos vitais como elementos essenciais na prestação de serviços espaciais. Identificar esses aspectos e formalizar esse modelo é fundamental para garantir a qualidade dos dados, fornecer perspectivas de validação, estimular a análise e, ao mesmo tempo, promover o compartilhamento e a integração dos dados. Além disso, pretendemos demonstrar o potencial e a usabilidade do modelo de dados proposto por meio de uma implementação.

Este artigo está estruturado da seguinte forma. A próxima seção discute estudos sobre esforços de padronização de POI e modelo de dados, bem como a utilização notável em domínios de aplicativo. A terceira seção apresenta as características do modelo de dados do POI interno, seguido pelo modelo de dados espaço-temporal interno proposto. Conduzimos uma implementação experimental do modelo de dados por meio de um caso de uso envolvendo gerenciamento de instalações para demonstrar seus vários aspectos por meio de um pequeno conjunto de dados de amostra, e a última seção enfoca as conclusões e limitações deste estudo a serem abordadas em trabalhos futuros.

2. Pesquisa Relacionada

O rápido crescimento dos dispositivos móveis e da tecnologia da Internet levou à aceleração dos aplicativos LBS, com um interesse especial em ambientes fechados [10-12] devido à sua forte influência na vida diária das pessoas [13], e o reconhecimento de que esses espaços são uniformes tão dinâmico quanto suas contrapartes externas [14]. Nos últimos anos, o ambiente interno tem sido alvo de uma ampla área de pesquisa, desde aquisição de dados, modelagem de dados 3D e navegação interna [15].

Embora o progresso em mapeamento externo e aplicações de navegação estimulem o interesse de sua contraparte interna, o caso interno postula problemas na aplicação direta de tecnologias, pois elas apresentam características diferentes [16]. Esses problemas incluem a falta de sistemas de posicionamento baratos e convenientes e a disponibilidade e complexidade dos mapas [17]. No entanto, como o principal habilitador do Indoor LBS [18], o POI interno pode ajudar a aumentar essas deficiências, juntamente com outros conjuntos de dados. O POI interno é essencial para o posicionamento interno, tanto quanto o GPS permitiu isso ao ar livre [19].

Até o momento, os modelos organizacionais acordados com relação a POI internos ainda existem, e um padrão ainda não foi reconhecido [2]. Um grande problema que um padrão de dados de POI internos resolveria é ter conjuntos separados de POIs para cada aplicativo ou infraestrutura. Num estudo para o desenvolvimento de uma recolha participativa de POI Indoor, apesar do crowdsourcing ter a vantagem de um grande volume de dados, existe a necessidade de controlo e garantia da qualidade dos dados devido ao grande número de utilizadores e variedade de dispositivos. Como tal, um modelo de dados seria útil na execução de verificações de integridade de dados.

O rastreamento da linha do tempo do desenvolvimento do padrão de POI começaria com nós em OpenStreetMap (OSM), KML e Biblioteca de Locais do Google Maps, mas individualmente carece de aspectos que são essenciais para a direção dos aplicativos para onde os POIs estão indo [3, 20] identificadores de local em ISO 19112 [21] e ISO 19155 [22]. Especificamente, o Grupo de Trabalho Especial (SWG) do World Wide Web Consortium (W3C) POI tornou-se o primeiro passo para a padronização para a definição e troca com foco na arquitetura da web e em aplicativos de RA. O SWG publicou o Point of Interest Core (POI Core), descrevendo oito categorias para descrever o POI com atributos e vários tipos de localização [1, 3].

Os fornecedores de GIS comerciais também observaram a necessidade emergente de POI internos. O ArcGIS Pro da ESRI também incluiu uma provisão para POIs internos por meio do ArcGIS Interno. Neste módulo de aplicativo, POIs internos podem representar recursos em um mapa interno. Esses POIs internos têm dois níveis de classificação, sendo o primeiro classes mais amplas de pessoas, lugares, eventos e objetos [23].

Paralelamente, as partes interessadas da indústria, incluindo especialistas da indústria automotiva e especialistas em tecnologia móvel, sistemas de navegação e mapas digitais, formularam uma especificação de uso geral chamada linguagem de intercâmbio de ponto de interesse (POIX) e a enviaram como uma proposta preliminar ao W3C. No entanto, isso carecia de aspectos categóricos, descritivos e temporais e parecia inclinado para a navegação automotiva [20]. Na Coréia, a Telecommunications Technology Association (TTA) estabeleceu um modelo de dados e outras empresas privadas, incluindo Naver e Daum, para estabelecer serviços de portal e navegação. As agências governamentais também fazem parceria com instituições de pesquisa e desenvolvimento para estudar POIs no contexto de posicionamento e informação geográfica orientada para o homem [2].

Um modelo espaço-temporal baseado no modelo de dados W3C foi proposto por [2], baseado no modelo de dados W3C, estendendo alguns aspectos para o objetivo de expandir a utilização de POI. Este modelo enfatizou as três principais funções e características dos POIs no fornecimento de LBS - na pesquisa, na exibição e no compartilhamento - e é subsequentemente formulado de acordo com cada uma dessas funções individuais. O gerenciamento de séries temporais também é habilitado pela expansão de definições para aspectos temporais de POI em termos de mudanças na localização ao longo do tempo para um POI (baseado em recursos) e mudança no POI ao longo de um período de tempo para um local (baseado em localização) [24] . No entanto, este padrão aborda o primeiro nível de POI, onde um nome único se refere a cada característica e sugere que a expansão para níveis mais altos é necessária em estudos futuros.

O conceito de POIs internos foi usado por [8] para representar instalações para um LBS interno. As relações espaciais entre o POI interno e os espaços internos abstraídos com dados topológicos fornecidos por IndoorGML são definidas para fornecer um serviço de patrulha interna. Além disso, em um ambiente interno, [25] propôs um sistema de recomendação de POI com reconhecimento de localização baseado nas preferências do usuário extraídas de dados de redes sociais. POIs internos também têm sido usados ​​para construir um sistema de informação e visualização de instalações internas [26], anotadores para denotar visitas de usuários em áreas urbanas [27], gerando mapas em grande escala [28] e na identificação de objetos e espaços em plataformas AR [29] e sistemas de navegação [30-32]. Essas aplicações, no entanto, se concentraram na utilização de POIs internos como um marcador para objetos no espaço interno, em vez de diferenciar sua identidade dos POIs externos.

Na literatura, a navegação interna é um dos principais usos para POIs internos, como na determinação das melhores rotas para sistemas sensíveis ao contexto para navegação [17], navegação interna ubíqua [33], navegadores baseados na web [18], WiFi- planejamento de caminho assistido [34] e planejamento de ponto para navegações robóticas [35, 36]. Também é interessante notar que os estudos citam os dados de POI internos como um componente ambientalmente crucial, especialmente nos casos em que a navegação é crítica. Vários estudos os usam como guias de navegação em sistemas de wayfinding indoor para consciência da situação com deficiência visual [37-40] ou aqueles com deficiência física [41] como determinantes do caminho ou como indicadores de perigos. Mais importante, a integração de POI internos com conjuntos de dados baseados em padrões de dados internacionais, como IndoorGML, é possível retratar e executar aplicações em espaços internos com mais precisão [42].

Os POIs internos também desempenham um papel fundamental no interior como marcos, não apenas objetos para denotar a localização de objetos ou espaços, mas também como guias para os usuários formarem representações espaciais mentais de seus arredores. Principalmente em situações em que os usuários não estão familiarizados com o entorno, esses POIs auxiliam na tomada de decisões e na orientação de rotas [43], bem como pontos de referência que auxiliam na recriação de layouts físicos de edifícios [34]. Esses recursos são destacados como elementos importantes da linha de visão do usuário e como conhecimento de fundo que modera a forma como os usuários percebem o ambiente interno [44].

Os estudos também exploraram a localização e o uso de POIs internos. Uma vez que esses objetos são distinguíveis de seus arredores, eles são ideais para localização. Referido como beacons, SLAM de alcance (localização e mapeamento simultâneos) foi capaz de identificar posições de POIs usando apenas distâncias com o auxílio da força de sinais de radiofrequência [45]. Da mesma forma, os sinais WiFi que estão prontamente disponíveis em ambientes fechados mais sinais de rádio FM (modulação de frequência) permitem a localização interna de POIs por princípios semelhantes [19]. Por outro lado, esses POIs têm auxiliado o cálculo da morte de pedestres [46] e aplicações em serviços de busca interna [47]. Em uma nota relacionada aos POIs internos como pontos de referência, é possível obter uma localização interna adequada usando apenas esses objetos por meio de uma abordagem baseada em impressão digital [48].

Várias motivações buscaram a extensão da natureza do POI como sendo uma entidade com uma localização e alguns atributos. OGC define POIs como "um local (com uma posição fixa) onde se pode encontrar um lugar, produto ou serviço, normalmente identificado pelo nome ao invés do endereço e caracterizado pelo tipo, que serve como uma referência ou um alvo em uma solicitação LBS, por exemplo, como destino de uma rota ”[7]. [4] apontaram que o próprio termo distingue entre o que é “interessante” e o que não é, dependendo do contexto disponível, mas a definição OGC não considera esse componente subjetivo [20].

Uma solução para essa lacuna é fornecer contexto no uso. Em ambientes 3D, especialmente em ambientes fechados, além de serem recursos essenciais essenciais para tarefas específicas do usuário, esses dados também fornecem informações para visualização e navegação. Nesse caso, entretanto, a visualização do POI interno teria que lidar com problemas que geralmente não estão presentes em 2D, como oclusão, perspectiva e complexidade da cena. Uma abordagem usando uma nuvem de interesse (COI) foi proposta para maximizar a informação que o usuário está recebendo sem distorção de contexto, muita desordem e tarefa cognitiva adicional de olhar através de múltiplas visualizações ao mesmo tempo e ainda ser adequada para pequenos espaços de visualização , portanto, superando o desafio de criar modelos para ambientes geovirtuais 3D móveis [4]. Como a visualização 3D de POI no ambiente interno representando objetos e espaços são enfatizados [49], isso enfatiza a necessidade de um modelo de dados formalizado que permite a ligação com outros dados.

Em uma nota relacionada, estudos mostraram que modelos semânticos baseados em padrões internacionais, como CityGML e IFC (Industry Foundation Classes), enriqueceram as informações temáticas entre si [50-52] ou de outros conjuntos de dados como dados de malha 3D usados ​​na análise de potencial solar [53]. Em contraste, embora os estudos também tenham mostrado que a flexibilidade da aplicação é aprimorada utilizando POIs semanticamente enriquecidos [54], esse enriquecimento pode vir dos modelos semânticos. Tanto em ambientes externos [1] quanto internos, os dados de POI são essenciais para sistemas de recomendação baseados em ontologia em diferentes aplicações. Estudos têm usado POIs internos em sistemas de recomendação que utilizam trajetórias de compras para modelar o comportamento e as preferências do usuário [25, 27]. A literatura também cita que ter um sistema de gerenciamento de banco de dados de alias aumentaria a eficiência dos dados POI, ou seja, obter o mesmo nível de riqueza de informações mesmo com um tamanho de conjunto de dados significativamente menor [55].

Hierarquias semânticas no ambiente interno foram demonstradas por [56–59] através da descrição de como os espaços internos estão relacionados às suas subunidades e como essa relação desempenha um papel em vários aspectos. O conceito de subdivisão e agregação do espaço melhora a forma como o espaço é percebido cognitivamente, particularmente como um elemento essencial no fornecimento de informações descritivas sobre a localização, determinando áreas funcionais dentro do espaço interno e determinando quais partes são adequadas para navegação. O BOT (ontologia de topologia de construção) é um esforço para evoluir os padrões existentes especificados pela IFC em direção às práticas de Linked Data para aplicativos modernos baseados na web. Da mesma forma, no contexto do campo de construção e construção, o BOT apresenta volumes 3D espaciais como zonas que podem conter outras zonas de forma hierárquica - locais que podem conter edifícios, edifícios que podem conter níveis de edifícios e níveis de edifícios que podem conter espaços. Além disso, esta especificação também define elementos tangíveis que compreendem ou estão contidos nessas zonas [60, 61].

A falta de suporte para dados temporais para os modelos disponíveis também foi levantada [1, 20]. Dados como horários de abertura / fechamento de estabelecimentos, a quantidade de tempo que as pessoas gastaram ou dados em tempo real sobre serviços enriquecem o conteúdo de atributos dos POIs, que podem ser cruciais para muitas aplicações. Algumas características e até mesmo a localização podem mudar com o tempo. A partir de conjuntos de dados de rastreamento, novos métodos de consulta de dois tipos - instantâneo (em um determinado ponto no tempo) ou intervalo (durante um determinado período) - determinaram POIs internos frequentemente visitados [62]. Também foi sugerido manter várias versões do POI interno para manter o conteúdo da informação [63]. Para maximizar essas informações no estudo de mudanças e padrões, o modelo de dados deve incorporá-los.

Na maioria dos casos, um nome é o identificador de um POI externo. No entanto, esse identificador não significa que um POI interno corresponde a uma e apenas uma seqüência exata de texto. Os usuários podem variar no uso de palavras-chave e os erros tipográficos não são impossíveis; portanto, pode existir mais de uma palavra-chave, chamada de alias. Este caso é especialmente verdadeiro para POI interno que pode ser referido com caracteres semelhantes, devido ao fato de não ser identificado pelo nome. Em um método de coleta baseado em crowdsourcing para POI internos, vários nomes podem se referir a um único local [10]. Para desenvolver um sistema de gerenciamento de apelidos, [55] classificou os atributos de apelidos de POI e usou medidas de similaridade de palavras para inserir e retreinar um banco de dados de apelidos contendo nomes não oficiais para POI.

Com base na direção de desenvolvimento de POI para modelos de dados de POI internos, bem como domínios de uso primário para POI internos evidentes em estudos anteriores, ou seja, pesquisa, rotulagem de dados e compartilhamento, e áreas identificadas de melhoria e desenvolvimento, propomos a modelo de dados POI internos temporais na próxima seção.

3. Modelo de dados de POI interno espacial-temporal proposto

Na seção 3, consideramos as considerações para o modelo de dados espaço-temporais proposto neste estudo. Investigamos os atributos do POI interno em termos de seu uso principal e identificamos os pontos críticos que o modelo de dados deve definir.

3.1. Características do POI interno

Os POIs internos podem representar espaços internos, como uma sala, corredor, saguão ou escadas, bem como instalações, móveis ou imóveis, localizadas nesses espaços, como móveis, instalações ou equipamentos. Estudos anteriores discutidos no capítulo anterior mostraram amplo uso de POIs internos em uma ampla gama de domínios de aplicação. Esses recursos estão presentes na navegação como alvos (por exemplo, qual é a rota da minha posição atual indo para o POI 1 interno?), Guias (por exemplo, ao calcular uma rota do ponto A ao ponto B, evite o POI 1 interno e passe por ele POI interno 2), ou ambos. Em termos de localização, eles têm sido vitais tanto para encontrar as posições de outros objetos (por exemplo, dadas as coordenadas do POI interno visível 1, 2 e 3, quais são as coordenadas do usuário), ou os alvos de localização usando várias medições (por exemplo, dada a intensidade do sinal WiFi dos roteadores A, B e C, qual é a posição do POI interno?). Os POIs internos são essenciais na visualização 3D interna como pontos de referência para melhorar o reconhecimento mental dos usuários de seus arredores ou mesmo como meramente rotulando recursos para aumentar o conteúdo de informação. Além disso, esses recursos fornecem conteúdo rico que permite consultas espaciais e temporais em aplicativos LBS.

O modelo de dados do POI interno proposto neste artigo considera os mesmos aspectos do modelo de dados anterior [2], com particular consideração aos casos específicos do espaço interno, em comparação com o espaço externo. Este modelo de dados proposto não restringe um conjunto genérico de objetos a serem representados como POIs internos. Em vez disso, qualquer instalação interna (na faixa espacial de uma sala), bem como a sala que contém essas instalações (na faixa espacial de um corredor), pode ser representada. A este respeito, as relações de inclusão também podem se formar entre o primeiro e o último. Além disso, no ambiente interno, a diferença no alcance espacial é mais aparente, a presença de POIs internos, por exemplo, um corredor teria uma diferença em comparação com aqueles presentes dentro de uma sala em diferentes aspectos. Além disso, as instalações e outros objetos representados por POIs internos são mais móveis, ou seja, móveis e podem mudar de localização ao longo do tempo e, inversamente, um local pode ter vários POIs internos durante um período especificado.

A Figura 1 melhora a direção de desenvolvimento do POI externo proposto em [2]. Os propósitos essenciais de compartilhamento, rotulagem e pesquisa de POI continuam a ser a motivação do desenvolvimento do modelo de dados de POI internos, no entanto, características-chave específicas compartilhadas entre esses propósitos são diferenciadas de acordo com a importância e diferenças vitais no caso de exteriores. Entre os três objetivos principais estão os aspectos correspondentes do POI interno que são essenciais no desenvolvimento do modelo de dados. Em primeiro lugar, o nível de detalhe de gerenciamento de aliases do modelo de dados é crítico para fins de pesquisa e rotulagem. Esses aspectos são cruciais em conjuntos de dados para melhorar a pesquisa e o gerenciamento da quantidade de informações que a tela apresenta ao usuário, respectivamente. Mais importante ainda, as informações sobre a hierarquia espacial, que correspondem às relações espaciais do espaço interno com outros espaços internos ou objetos encontrados dentro de casa, são críticas, pois isso é mais aparente no caso de interiores. Em relação às funções de compartilhamento e pesquisa de POI internos, os aspectos de manutenção de um esquema de classificação e tratamento de informações multitemporais são pontos cruciais de condução. Finalmente, como um identificador de locais para sua localização específica, este aspecto do POI interno é mais crucial em seu papel no compartilhamento de dados. Essas características são elaboradas nas seções a seguir.

3.2. Nomenclatura POI interna

Mesmo que um elemento não tenha um nome exclusivo, os POIs internos ainda podem servir ao seu propósito como um identificador, uma vez que ainda conecta uma referência geográfica “indireta” a um local específico. Intuitivamente, este aspecto de classificação seria mais frequentemente o mais prático ou, em alguns casos, a única nomenclatura existente para identificar um determinado POI Interior, uma vez que a maioria dos objetos constatou que o interior, apesar de ser objetos tangíveis, não possui um nome específico. Só podemos nos referir a eles por meio de seus nomes genéricos, como extintor de incêndio, CFTV ou caixa eletrônico. Fornecer um esquema de classificação para POIs internos forneceria não apenas um método uniforme de definição e diferenciação de recursos, mas também uma oportunidade para consultas mais rápidas ao restringir os resultados de POI dependendo da finalidade do usuário. Ele também melhora a eficiência em implementações baseadas em consulta, já que as classificações também permitiriam o agrupamento e subgrupo de recursos semelhantes. No aspecto de compartilhamento de dados, a classificação fornece um identificador para vincular dados de fontes externas, como a lista de códigos de CityGML, por exemplo.

Portanto, um esquema de classificação para categorizar POI internos é necessário para incentivar a utilização, aumentar a eficiência da consulta e evitar duplicações em conjuntos de dados. Um esquema também oferece suporte às funcionalidades de POI internos de compartilhamento e pesquisa. Na Tabela 1, ilustramos uma amostra de uma classificação de POIs internos, criada com base no esquema de classificação de POI da ESRI [23], categorizando cada recurso em três níveis de especificidade crescente, e cada categoria corresponderia a um código de categoria de 6 caracteres como um atributo para o POI interno.

Este esquema de classificação não pretende fornecer uma lista exaustiva de todos os tipos possíveis de objetos e espaços, mas sim como uma ilustração de possíveis variedades do que um POI interno pode representar. Por exemplo, “Vending Machine” e “Drug Store” podem ser representados, embora sejam diferenciados por [42] como instalações não navegáveis ​​e instalações navegáveis, respectivamente. Os exemplos anteriores são objetos reais localizados dentro de casa, enquanto o último representa os espaços que podem conter os primeiros.

No desenvolvimento de aplicativos LBS, e embora os modelos convencionais exijam apenas um nome ao lado de um local para definir um POI mesmo ao ar livre, existem aliases devido à não uniformidade das palavras-chave que os usuários digitam para pesquisar, e erros tipográficos não são impossíveis de ocorrer . Mesmo se um POI interno tiver um identificador oficial, seja um nome ou sua classificação, o modelo de dados deve ser capaz de incorporar apelidos. Ter um banco de dados de alias melhoraria a pesquisa e, ao mesmo tempo, garantiria uma entrega prática e flexível de informações aos usuários.

Gerenciar informações descritivas do POI interno também é essencial para manter a integridade e a qualidade dos dados. Como o compartilhamento de dados é incentivado por um modelo de dados padronizado, o autor do conjunto de dados também deve ser incluído para garantir uma gestão eficiente, responsabilidade e facilitação da reutilização e atualização dos dados. Da mesma forma, o LBS bem-sucedido é possível se o POI interno puder transportar atributos além de seu nome, classificação e localização. Outras informações descritivas que podem variar amplamente em tipo, comprimento e valor de dados devem ser gerenciadas pelo modelo de dados para que informações ricas possam ser mantidas e fornecidas aos usuários.

3.3. Hierarquia espacial e relações espaciais

Para POIs internos, as relações espaciais podem existir de duas maneiras. Em primeiro lugar, pode existir uma relação hierárquica espacial entre um POI interno e outro POI interno, conforme expresso na pesquisa anterior para POI externo [2], digamos, por exemplo, um POI interno representando um nível do andar e o POI interno representando os quartos nesse nível. Este caso representa a agregação de unidades espaciais menores em um nível hierárquico (os quartos, neste caso) para uma unidade espacial maior em um nível hierárquico superior (andar). Em segundo lugar, existe uma relação de inclusão entre POIs internos que representam espaço e aqueles que representam objetos localizados dentro desses espaços, digamos para um POI interno que representa uma biblioteca e para POIs internos que representam prateleiras. Esses relacionamentos devem ser mantidos no modelo de dados para facilitar a análise da consulta e se estender a aplicativos como navegação, gerenciamento de instalações ou serviços de patrulha para cumprir suas funções de pesquisa e rotulagem de recursos de maneira adequada. Além disso, isso fornece uma oportunidade para o aprimoramento da integração de dados com outros padrões que lidam com informações espaciais internas, como IndoorGML.

Expressamos esses relacionamentos no modelo de dados como uma autoagregação da classe IndoorPOI_Basic. Cada instância de POI tem um 0

criança, conforme mostrado na Figura 2 (a). Esta multiplicidade especifica que um POI interno pode não ter uma classe pai, mas se tiver, não pode ter mais de um pai com uma hierarquia espacial mais alta. Uma classe filha para uma instância IndoorPOI_Basic pode não estar presente, mas se deveria, esta instância pode ter uma ou mais classes filho com uma hierarquia espacial inferior. Por exemplo, existe uma estrutura hierárquica baseada no espaço entre um POI que representa um nível de piso de um edifício e os POIs correspondentes que representam os quartos e instalações existentes nesse nível de piso, como na Figura 2 (b).

3.4. Profundidade Espacial

Na exibição de dados espaciais para os usuários, a escala desempenha um fator importante em quanta informação é visível e inteligível. Como acontece com qualquer mapa convencional ou digital, em escalas espaciais variáveis, POI interno deve ser expresso de forma eficiente em um nível adequado de detalhes. Hence, a different set of Indoor POIs must be visible in larger scales compared to smaller scales. This aspect is crucial in order for it to achieve its role in feature labeling.

One of the main challenges in creating LBS platforms is screen size, due to the limitation of the devices where they run on [4]. As POIs and Indoor POIs are mainly geared towards providing LBS and as trends point toward more portable and handheld devices, the display restricts the relay of the richness of information to the users. Smaller screen size, as well as the size limitation in the indoor space themselves, command methods for efficient expression of Indoor POIs and their respective attributes.

Although closely related, spatial depth does not directly equate to spatial hierarchy. The self-aggregation for the latter refers to the relationship of an Indoor POI parent node containing another smaller spatial unit represented by an Indoor POI child node, for example, the cases of between a building (parent) and floors (child), and between the floors (parent) and rooms (child). Differently, this may also refer to the inclusion relationship between a space represented by an Indoor POI (room) and the objects inside the room (desks).

On the other hand, two Indoor POIs having the same spatial depth may belong in different hierarchical levels, say, for example, Indoor POIs for a cinema lobby and a ticket machine. Both may be displayed at the same time (same spatial depth) even though the lobby has an inclusion relationship with the ticket machine (different spatial hierarchies). Indoor POIs at the same hierarchical levels may also belong in different display levels, for example, Indoor POIs representing a shelf and books. Both are at the same hierarchical levels below a room Indoor POI, but in an application, displaying all books might be illegible for display, unless a larger scale is visible.

POI display on the application is expressed for each scale level through the definition of spatial depth, through a user-defined InPOI_SpatialDepth attribute. Indoor POIs having the same integer value for this attribute would be displayed together at the same scale level. Additionally, an aggregation relationship, shown in Figure 3(a), between the IndoorPOI_Basic class and the IndoorPOI_DisplayInfo class having the expression level as the attribute, allows users to display Indoor POI descriptions in levels independent of the spatial depth, depending to the user’s intent, or the importance of a POI in a particular context. It has a 1

child multiplicity, expressed as an Indoor POI on multiple levels, say an important facility such as an elevator used to transport between floor levels. Figure 3(b) shows an example of Indoor POIs having different spatial depths. An entire building is expressed as a single Indoor POI at spatial depth 0, while individual rooms may be expressed distinctly at Spatial Level 1. Further, Spatial Level 2 shows objects found inside the rooms at Spatial Level 2. Expanding to further spatial depths is possible, if necessary, depending on the datasets and the application.


Assessing Nebraska playa wetland inundation status during 1985–2015 using Landsat data and Google Earth Engine

Playa wetlands in Nebraska provide globally important habitats for migratory waterfowl. Inundation condition is an important indicator of playa wetland functionality. However, there is a lack of long-term continuous monitoring records for playa wetlands. The objective of this study was to determine a suitable index for Landsat images to map the playa inundation status in March and April during 1985–2015. Four types of spectral indices—negative normalized vegetation index, Normalized Difference Water Index (NDWI), modified NDWI, and Tasseled Cap Wetness-Greenness Difference (TCWGD)—were evaluated to detect playa inundation conditions from Landsat images. The results indicate that the TCWGD is the most suitable index for distinguishing playa inundation status. By using Landsat images and Google Earth Engine, we mapped the spring inundation condition of Nebraska playas during 1985–2015. The results show that the total inundated areas were 176.79 km 2 in spring migratory season, representing 18.92% of the total area of playa wetlands. There were 9898 wetlands inundated at least once in either March or April during the past 30 years, representing 29.41% of a total of 33,659 historical wetlands. After comparing the historical hydric soil footprints and the inundated areas, the results indicate that the hydrological conditions of the majority of playas in Nebraska have changed. The inundated wetlands are candidates for protection and/or partial restoration, and the un-inundated wetlands need more attention for wetland restoration. Wetlands in areas enrolled in conservation easements had a significantly high level of playa inundation status than non-conserved wetlands during spring migratory seasons in the past decades.These conservation easements only count for 4.29% of the total footprint areas, but they have contributed 20.82% of the inundation areas in Nebraska during the past 30 years.

Esta é uma prévia do conteúdo da assinatura, acesso por meio de sua instituição.


"These detectors could help save lives by using smart technology to communicate directly from a customer&rsquos home to our emergency department."

We've developed a portfolio of smart, foundational networks, connected devices and insightful services that enable our customers to build new futures for their business, their infrastructure and the community they serve.

Our solutions enable customers to:

Power safe, reliable and resilient energy and water systems.

Recover quickly from natural disasters and effectively manage resources.

Deliver enhanced, more personalized services at a lower cost.

Build a smart network that supports a multitude of services for decades to come.


Methods

Satellite data

The selection of input data used in this work aimed to demonstrate the complementarity between the Sentinels and COSMO-SkyMed, according to the concept of the Copernicus Earth Observation and Monitoring programme 27 and its Contributing Missions 28 . Tables 1–2 list the satellite SAR and multispectral data used to analyse the two flooding events. Data frames and respective spatial coverage over Bosra and Sergiopolis are shown in Figs. 1b and 2b.

Sentinel-1 data are SAR images acquired by the namesake constellation of the Copernicus Programme in Interferometric Wide swath mode, with spatial resolution of 20 m in azimuth by 5 m in range 29 . We mainly used Level-1 Ground Range Detected (GRD) products, i.e. focused SAR data that were detected, multi-looked and projected to ground range using an Earth ellipsoid model, and thus contain amplitude information only. Sentinel-1 are increasingly being used for condition assessment of cultural landscapes 30 .

Sentinel-2 data are acquired every 5 days by the Multispectral Instrument (MSI) on-board the two twin satellites of the Copernicus Sentinel-2 constellation, in 13 bands spanning from 443 to 2,202 nm (i.e. visible—VIS, Near InfraRed—NIR, Short-Wave InfraRed—SWIR) 31 . We used Bottom of Atmosphere (BOA) reflectance in cartographic geometry, i.e. Level 2A products based on automated processing of Top-Of-Atmosphere (TOA) reflectance in cartographic geometry (i.e. Level 1C) products with the Sen2Cor processor and PlanetDEM Digital Elevation Model 32 . Images listed in Table 2 were selected from the available archive, by removing those totally hampered by clouds over the study area. Sentinel-2 has been proved suitable for systematic condition assessment of heritage assets 8 .

COSMO-SkyMed data are collected from the COnstellation of small Satellites for Mediterranean basin Observation (COSMO-SkyMed) mission of the Italian Space Agency (ASI) 33,34 , made of four identical space-crafts (i.e. CSK1, CSK2, CSK3, and CKS4), each equipped with multimode SAR sensor operating in the X-band (9.6 GHz frequency 3.1 cm wavelength).

The dataset covering Bosra UNESCO WHS (Table 1 Fig. 1b) is a selection of the time series being collected in StripMap Himage mode (3 m spatial resolution) along ascending orbits as part of the COSMO-SkyMed Background Mission, i.e. a low priority acquisition plan covering large and capital cities, populated areas, sensible areas for geohazards and over 260 UNESCO WHS on a regular basis 35 . Three pre-event and two post-event scenes were selected from the available catalogue. The selection was constrained by the acquisition gap of nearly six months from December 2017 to mid-July 2018.

The dataset covering Sergiopolis (Table 1 Fig. 2b) is instead a selection of the tailored time series tasked in Enhanced Spotlight mode (1 m spatial resolution), in HH polarization, ascending orbit, since summer 2018.

These data were accessed through a license to use by ASI. One of the existing mechanisms for scholars and users to access COSMO-SkyMed data to undertake similar research is ASI’s “Open Call for Science” 36 . While restrictions and limitations may apply (e.g. in terms of geographical areas, total number of images that can be requested), the call is open to international scientific investigators and offers the opportunity to access archive imagery (including those already covering heritage sites 35 ), as well as to task a limited quota of new acquisitions.

Flooding condition assessment through Sentinel-2 spectral analysis

In the case of Bosra WHS, one of the main aims of the multi-temporal analysis was to assess which monuments and archaeological sectors of the site were flooded and, if so, for how long. This could have been simply done by visual inspection of Sentinel-2 images. However, such an approach could be time-consuming if several points need to be checked, is subjective and dependent on the operator’s expertise and site knowledge. Therefore, control points and polygons were located in the key areas of WHS (Fig. 1c): inside the stage and orchestra floor of the Roman Theatre in the roads nearby the Roman Theatre along the longitudinal axis of the hippodrome the Birket al-Hajj or Pilgrims’ Pool in the south-east the East Pool the water reservoir west 12 . Additionally, some points and areas were located in bare land sectors that could have been flooded given their land use and topography. To achieve an accurate positioning, this was done by using the pre-event WorldView-2 image collected on 4 March 2018 and available in Google Earth. Zonal statistics were then extracted for the control points and areas to derive the spectral profiles from Band 2 (Blue, 492 nm) to Band 8A (Vegetation Red Edge, 865 nm). At each date of acquisition, the spectral profile was classified as either “flooded” or “dry”, according to reference reflectance spectra of water, bare soil and artificial surfaces from spectral libraries. The multi-temporal comparison of the spectral profiles highlights when and where a monument or archaeological sector of Bosra WHS was flooded, for how long it remained flooded, and the time-scale during which it progressively dried out.

Identification of flooded areas through Sentinel-2 moisture and flood indexes

In the case of Sergiopolis, the Moisture Index and the Normalized Difference Flood Index (NDFI) were calculated in ArcMap v.10.6.1 as follows:

where, for Sentinel-2, Band 8A is the Vegetation Red Edge centred at 865 nm, and Band 11 is the SWIR band at 1614, both acquired at 20 m spatial resolution, thus resulting in a raster of moisture index map of equivalent spatial resolution.

according to the definition by Boschetti et al. 37 , where, for Sentinel-2, Band 4 is the Red band centred at 665 nm, and Band 12 is the SWIR band at 2,202 nm. The NDFI raster of each Sentinel-2 image was obtained by using the original 20 m Band 12 and the 20 m resampled Band 4 image layers accessed through the Copernicus Open Access Hub.

Identification of flooded and drying out areas through SAR amplitude change

Sentinel-1 images were processed to extract patterns of radar backscatter change due to flooding and drying out in the cross- and post-event SAR image pairs. The processing was performed using the SNAC—SNAP S-1 GRD Amplitude Change processing tool 38 developed by the European Space Agency (ESA) and available in ESA’s Geohazards Exploitation Platform (GEP) 39 . The SNAC tool ingests pairs of Sentinel-1 images in GRD format and, after co-registration, calibration and terrain correction, generates calibrated and terrain corrected [decibel, dB] slave and master backscatter products (i.e. post- and pre-event data), and RGB composites based on backscatter values in dB.

The slave and master products were then imported in ArcMap v.10.6.1 and used to generate the amplitude change detection map through ratioing 40 :

Onde ts e tm are the acquisition times of the slave and master products respectively, σ 0 is the normalised radar backscatter (linear scale). Change detection products were generated for both polarizations, i.e. the “like-polarization” VV and the “cross-polarization” VH.

Furthermore, the ascending SAR image pair (16–28/10/2018) was also processed with GEP’s COIN—Coherence and Intensity change for Sentinel-1 service 41 . In this case, Sentinel-1 images were processed starting from Single Look Complex (SLC) format to generate the interferometric coherence map, the backscatter intensity difference in dB, as well as the RGB composite (red channel: σ 0 slave green: σ 0 master blue: σ 0 master all in dB).

The same amplitude change detection approaches were applied to COSMO-SkyMed data. In this case, the SAR processing and generation of ratio maps were undertaken according to the method described in 35 , using GAMMA SAR and Interferometry Software and starting from Level 1A single-look complex slant (SCS) products.

Meteorological and climatic data

We referred to NOAA NCDC Climate Data for the year 2018. The original total precipitation (rain and/or melted snow) record is reported during the day in inches and hundredths. For the Bosra flood, data were taken from the time series of the King Hussein weather station (Station ID: GHCND:JOM00040265 32° 21′ 22.87ʺ N, 36° 15′ 33.05ʺ E) in Jordan. No precipitation data for the period of interest were found for the Sergiopolis flood.

We used Climatic Research Unit (CRU) Time-Series (TS) 42 for the years 2017–2018 to outline the climatic setting of the regions where Bosra and Sergiopolis are located. Diagrams of monthly precipitation (mm/month) were retrieved at the locations: LAT 32.25°, LON 36.25° and LAT 32.75°, LON 36.75° (Bosra) LAT 34.75°, LON 38.25°, LAT 35.25°, LON 38.75° and LAT 35.75°, LON 39.25° (Sergiopolis).

Topographic, geological and heritage asset data

Location and name of the monuments of Bosra WHS were sourced from maps and documents published in the UNESCO webpage 12,43 . Information about local geology, position and name of heritage and hydraulic structures based on archaeological findings in Sergiopolis was derived from 13,14 . Figures were georeferenced to the WGS84 datum, and shapefile polygons were digitised in ArcMap v.10.6.1. The topographic setting was based on NASA’s 1 arc-sec SRTM global DEM (30 m ground resolution).


Why is community engagement important?

There is a range of reasons why community engagement should be an important feature of future service development.

Traditional service approaches are not succeeding

There is evidence that existing forms of service are not succeeding in improving outcomes and are not fully utilised, especially by families with multiple and complex needs (Moore & McDonald, 2013 Centre for Community Child Health, 2010a). Despite intensive, well-intentioned and well-designed human service initiatives, some Australian communities have been "left behind" as others prosper (Vinson, 2009 Vinson et al., 2015). In a report investigating community-level disadvantage in Australia, Dropping off the Edge (DotE), Vinson et al. (2015) concluded that the communities that were identified as significantly disadvantaged in 2014 were generally the same as those identified in the three earlier DotE studies (from 1999, 2004 and 2007). In seeking to improve outcomes in these communities, we could adopt a person-focused approach rather than a place-focused approach (a distinction noted by Wilks et al., 2015) and seek to help individuals achieve better personal outcomes or even leave the location. However, if overall improvements in these communities are to be achieved, a different approach to the design and/or delivery of services is needed. It may be that the complexity of the problems in these communities is such that traditional approaches to addressing the problems have been ineffective. We cannot know what these communities need without better understanding their aspirations, concerns and values.

Community engagement can play an important role in this respect. It has been argued that conventional public service reform in the UK is failing because its design fails to grasp that neither markets nor centralised bureaucracies are effective models for delivering public services based on relationships (Stephens et al., 2008). The public service reform agenda cannot succeed simply by the top down imposition of centralised targets or more market based choice (2020 Public Services Trust, 2010 Commission on the Future Delivery of Public Services, 2011). A new approach is needed.

If governments fail to move to a partnership approach to client services, they will become increasingly ineffective at achieving the goals of those services. (Lenihan & Briggs, 2011, p. 43)

Community engagement can lead to improved outcomes

A second justification for community engagement is that it can lead to improved outcomes for communities - the "substantive justification" (Burton et al., 2006). Figure 1 outlines the logic of this claim. As this shows: when institutions (a) seek out the aspirations, concerns and values of communities and communities (b) share their aspirations, concerns and values with institutions and these aspirations, concerns and values of communities are (c) incorporated into decision-making processes the institutions are better able to meet the needs of communities - essentially as a result of being better informed. Establishing an effective partnership between service systems and communities results in a greater sense of ownership, greater take-up of services, and better outcomes for children and families (Yeboah, 2005). This would in turn lead to improved outcomes for communities as a result of interventions and approaches that are tailored to the unique aspirations, concerns and values of that community. According to our definition of community engagement, all of the interactions that are involved in those processes would be informed by the principles of integrity, inclusion, deliberation, and influence.

Figure 1: The logic of community engagement for service delivery

The damaging effects of non-participation

Meaningful community engagement is critical because of the evidence that non-participation in its various forms is damaging for health and wellbeing (Marmot, 2004, 2006, 2015 Wilkinson, 2005, Wilkinson & Pickett, 2009). Non-participation is known to lead to feelings of powerlessness, which leads to feelings of chronic stress, with adverse consequences for health and wellbeing.

Participation should be understood both in terms of access - being included in valued social settings and activities - and in terms of agency - feeling that one is able to contribute meaningfully to those activities. Non-participation may take the form of exclusion from valued settings and activities (e.g., through unemployment, disability, poverty) and/or having no capacity to shape what happens in those settings or activities. Building on these ideas of agency and participation, Moore and Oberklaid (2014) proposed that people's wellbeing involves having the functional capabilities to participate meaningfully in all aspects of one's life. The notion of functional capabilities is similar to the Capabilities Approach championed by Sen (1985, 2005) and Nussbaum (2011). Community engagement is a way of ensuring that community members have access to valued social settings and activities, feel that they are able to contribute meaningfully to those activities, and develop functional capabilities that enable them to participate fully.

Community engagement as a human right

There is a rights-based argument for community engagement and participation. For instance, the United Nations-sponsored Brisbane Declaration on Community Engagement (International Conference on Engaging Communities, 2005) acknowledged "the universal interest and importance of community engagement, founded in the inherent dignity of people and the values, rights and responsibilities of all people expressed in the Universal Declaration on Human Rights" (p. 1). Regardless of the evidence to indicate its effectiveness, it could be argued that community engagement - that is, the process whereby the public contributes to decision-making processes - is a fundamental civic right. Indeed, proponents of this view hold that community engagement is the key to participatory - as opposed to merely representative - democracy. Community engagement reflects the right of citizens to be involved in governance beyond the ballot box and a necessary constant exchange between governors and the governed (Khan, 2005 Lowndes et al., 2006).

Together, these four reasons add up to a powerful rationale for the use of community engagement strategies in future service development.


Monetizing Your Travel Blog

Whether you’re looking to make a little extra money from your blog to fund more adventures, or your dream is to make your blog a full time paid gig, there are five key means of monetizing your travel blog or website.

1. Donations

If you have a substantial following of engaged fans, you may be surprised how many would be happy to make a small donation towards your travel fund.

Adding a donation plugin to your website or blog is simple – you can even include a donation goal to encourage your readers to contribute to your next big adventure. Patreon is an increasingly popular means for enabling donations and building community.

2. eBooks and Courses

Has your experience travelling the globe given you expert insights your readers could benefit from? Why not write premium content that you can sell alongside your blog posts?

You could write a comprehensive eBook on how to travel the world on a shoestring budget (or a different angle that aligns with your niche), a selection of affordable city guides, or a downloadable course that offers step-by-step instructions on how other wannabe bloggers can turn their passion into a fulltime job.

The key with premium and paid content is to offer it at the right price point, and to make online purchasing as easy for your audience as possible with a plugin such as Sell Downloads or Payship.

3. Sponsored Content

Sponsored posts are a great means of generating income on your blog – particularly if you have a large readership and social following and you know your fans are following links to third-party websites and recommended products (a quick skim over your Google Analytics data will reveal this).

Content marketing has become increasingly popular among brands looking to engage with potential customers and guests, so leveraging your existing platform to generate revenue can be a game-changer.

You could approach accommodation providers, tourism operators, and adventure and travel retailers about sponsored advertorial posts – just be sure to include a disclaimer on your sponsored content to maintain your credibility.

4. Affiliate Links

Already reviewing products, posting Top 10 lists of travel essentials or linking to accommodation options?

You could be monetizing this content through affiliate programs – designed to give you a fee or percentage of revenue generated through your traffic.

There are many businesses now offering their own affiliate programs, including:

  • Amazon
  • Bookit.com
  • Booking.com
  • ebay
  • Expedia
  • Hotels.com
  • iTunes
  • STA Travel
  • TripAdvisor
  • Wotif

If you are including affiliate links within your content, it’s good practice to declare this somewhere on your site – usually on your About, FAQs or Terms page.

5. Advertising

Including ad space on your site is one of the simplest ways to generate income from your travel blog, and there are many easy-to-use plugins available to help you manage your advertising. Check out examples such as Advanced Ads, Ad Inserter, and Simple Ads Manager.

Alternatively, try a service such as Google AdSense to take the hassle out of adding advertising to your site. With AdSense, you determine the format of ads you want to be displayed, choose Onde you want ads displayed on your site, and then automatically earn money when your readers view or click through on ads displayed.

We recently published a more in-depth article on blog monetization if you are interested.


Resumo

Ski tourism plays a major socio-economic role in the snowy and mountainous areas of Europe such as the Alps, the Pyrenees, Nordic Europe, Eastern Europe, Anatolia, etc. Past and future climate change has an impact on the operating conditions of ski resorts, due to their reliance on natural snowfall and favorable conditions for snowmaking. However, there is currently a lack of assessment of past and future operating conditions of ski resorts at the pan-European scale in the context of climate change. The presented work aims at filling this gap, as part of the ”European Tourism” Sectoral Information System (SIS) of the Copernicus Climate Change Services (C3S). The Mountain Tourism Meteorological and Snow Indicators (MTMSI) were co-designed with representatives of the ski tourism industry, including consulting companies. They were derived from statistically adjusted EURO-CORDEX climate projections (multiple GCM/RCM pairs for RCP2.6, RCP4.5 and RCP8.5) using the UERRA 5.5 km resolution surface reanalysis as a reference, used as input to the snow cover model Crocus, with and without accounting for snow management (grooming, snowmaking). Results are generated for 100 m elevation bands for NUTS-3 geographical areas spanning all areas relevant to ski tourism in Europe. This article introduces the underpinning elements for the generation of this product, and illustrates results at the pan-European scale as well as for smaller scale case studies. A dedicated visualization app allows for easy navigation into the multiple dimensions of this dataset, thereby fulfilling the needs of a broad range of users.


Results and Discussion

At the time of our observation (10 May 2014), we counted nine males, three females, and eight juveniles (22–26 mm long presumably one year old) of Bufotes balearicus, plus two female Bufo bufo, and various newly spawned egg-strings.

All tadpoles from the putatively hybrid egg-string were identified as first-generation hybrids by their heterozygote status at all loci analysed. In line with previous findings (Montalenti, 1932, 1933), most of them were heavily malformed (see Fig. 1), and none reached the metamorphosis. Instead, at all the loci analysed, tadpoles from the additional two clutches sampled at the breeding site were homozygotic for Bufotes balearicus diagnostic alleles, and were thus identified as belonging to this parental species. As expected, they did not show abnormalities, neither in the external morphology nor in the ontogenetic pathway.

Despite their wide sympatry, ease of observation, and more than a century-old knowledge of hybridisation in laboratory crosses, our literature searches for previous reports of interspecific breeding pairs in the wild, identified just five additional observations within a 94 year time span (Sweden, Lang, 1926 Czech Republic, Vlček, 1995, 1997 Zavadil & Roth, 1997 Austria, Duda, 2008).

Three main hypotheses have been invoked to explain recently established interspecific hybridisations among animal species, and may have played a role in the present case by promoting syntopy and breeding season overlap (Crispo et al., 2011 Chunco, 2014): species translocations, anthropogenic habitat degradation (a derivation of the Anderson’s ‘hybridisation of the habitat’ model Anderson, 1948) and climate changes.

No caso de Bufo bufo e Bufotes viridis, a species translocation can be firmly excluded in all the reported cases, based on the extensive knowledge of their natural geographic distributions (Lanza, Nistri & Vanni, 2006 Sillero et al., 2014), as well as on the fossil data of both species in Europe (Martín & Sanchiz, 2011).

Anthropogenic habitat degradation has been proposed as a main causative agent in some case (Duda, 2008). By reducing the diversity and number of potential breeding sites in a given area, physical alterations of habitat could promote syntopy of previously allotopic populations. Although plausibly contributing, this hypothesis cannot explain the entire pattern, and it does not apply to all cases. Our study site (but see also Zavadil & Roth, 1997) is located within a protected area established in 1993, and an analysis of contemporary and historical aerial photos of this site and neighbouring areas clearly show the absence of any physical alterations of potential relevance for the two species (Fig. 2). Moreover, habitat degradation could not explain the overlap of the two breeding seasons. Climate changes, however, significantly improve our ability to explain the occurrence of hybridisation events between these species.

By promoting a recent altitudinal migration of Bufotes balearicus from neighbouring, lower altitude sites, the ongoing climate warming engendered the unexpected syntopy at our study site. Support to this argument (the only alternative to recent translocation), comes from our models of the distribution of Bufotes balearicus in peninsular Italy, based on a set of known occurrences collected before year 2000, and projected to the average climate over the period 2007–2013. Indeed, our models indicated that the species’ presence above 1,200 MASL was highly improbable under pre-2000 climate, but became plausible during 2007–2013 (Fig. 3). Furthermore, projecting the models under future climate projections for the time period 2070–2100 under different emission scenarios the general pattern remains unchanged (Fig. 3). The reliability of the models was clearly confirmed by the field-validation procedure (see Materials and Methods). Indeed, our field searches of Bufotes balearicus at high-altitude sites of predicted presence in post-2000 projections were successful. We found a previously unreported site of occurrence within the Picentini Mountains (latitude: 40.8251°N longitude: 14.9864°E roughly 25 km south-east of the study site), thus confirming that upward migrations of Bufotes balearicus are ongoing, as predicted by our bioclimatic model (see also Zavadil & Roth, 1997).

Besides being a co-factor for syntopy, climate changes also contributed to the hybridisation events by promoting an overlap of the breeding activities. Analysing long-term climate series, we found that the years when hybridisation events were recorded in Europe (including our observation) ranked first or second hottest on record at most sites, over time series from 47 to 214 years long. Moreover, bimonthly mean temperatures at these sites were 2.4 °C to 5.5 °C above the 1961–1990 averages, and 1.9 °C to 4.3 °C above the preceding 10 years averages (Fig. 3). Binomial probability tests allowed us to reject the null hypothesis of random association between hybridisation events and extremely mild winters, with very high confidence (binomial probability: P ≤ 2.3 × 10 6 ). Also, additional binomial probability tests, carried out in order to explore how unrecorded events could affect the significance of our test, indicated that the null hypothesis of random association was rejected (at α = 0.05) until the number of events was ≥77, while leaving unchanged the number of ‘successes’.

Although Bufo bufo is expected to bring forward its breeding activity after mild winters (Reading, 1998, 2003 Tryjanowski, Rybacki & Sparks, 2003), at least three lines of support may help explaining this apparently counter-intuitive pattern. In years, when the breeding season begins earlier (after a mild winter), breeding has been observed to last longer (Gittins, Parker & Slater, 1980). Furthermore, a second and lower peak of breeding activity has been often observed later in the season (Pages, 1984 Reading, 1998), especially after mild winters (Reading, 1998). Finally, extensive ecophysiological investigations on bufonid toads, including Bufo bufo, indicate that increased temperatures during hibernation lead to significant alterations of several processes affecting the breeding activity, including body size condition, annual ovarian cycle, and seasonal synchronisation of breeding (Jørgensen, 1992).

Our analyses do not indicate climate change as the single explanatory factor. The environmental contexts in which interspecific interactions occur, the diverse forms of habitat disturbance, or behavioural changes during altitudinal migrations (Canestrelli, Bisconti & Carere, 2016 Canestrelli et al., 2016), might be locally influential. Nonetheless, these analyses clearly show that climate changes played a fundamental part in promoting hybridisation events. In light of the direction of these changes (Intergovernmental Panel on Climate Change, 2014), and of the results of our modelling exercise, we hypothesise that these events will become progressively more common in the near future. Most importantly, our results reveal a wider potential influence of climate changes on interspecific reproductive interactions, particularly in the many instances where climate-driven asynchrony and/or allotopy are integral components of the reproductive isolating barriers.

Hybridisation events among non-closely related species are generally believed to yield events that are transient, and potentially affecting local population demography at most, because strongly maladaptive (Rhymer & Simberloff, 1996 Malone & Fontenot, 2008). Nevertheless, there may be exceptions, whereby the effects of maladaptive processes propagate from population to community level (Farkas et al., 2015). Moreover, as revealed by years of investigation on the hybridisation process in several animal taxa, including amphibians, new evolutionary pathways have been sometime opened by such rare and maladaptive events (Arnold, 2006).