તમે જાણો છો કે કમ્પ્યુટર્સ ડેટા પ્રોસેસિંગ અને આલેખ, રેખાકૃતિઓ અને નકશા દોરવામાં આપણી ક્ષમતાઓને વધારે છે. ડેટા પ્રોસેસિંગ અને મેપિંગના સિદ્ધાંતો અને પદ્ધતિઓ સાથે વ્યવહાર કરતા વિષયો, જે કમ્પ્યુટર હાર્ડવેર અને એપ્લિકેશન સોફ્ટવેરના સંયોજનનો ઉપયોગ કરે છે, તેને અનુક્રમે ડેટાબેઝ મેનેજમેન્ટ સિસ્ટમ (DBMS) અને કમ્પ્યુટર એસિસ્ટેડ કાર્ટોગ્રાફી તરીકે ઓળખવામાં આવે છે. જો કે, આવા કમ્પ્યુટર એપ્લિકેશન્સની ભૂમિકા માત્ર ડેટાની પ્રક્રિયા અને તેમની ગ્રાફિકલ પ્રસ્તુતિ સુધી મર્યાદિત છે. બીજા શબ્દોમાં કહીએ તો, આ રીતે પ્રોસેસ કરેલા ડેટા અથવા આ રીતે તૈયાર કરેલા નકશા અને રેખાકૃતિઓનો ઉપયોગ નિર્ણય આધારિત સિસ્ટમ વિકસાવવા માટે થઈ શક્યો નથી. વાસ્તવમાં, અમુક પ્રશ્નો છે જે આપણે સામાન્ય રીતે આપણા રોજિંદા જીવનમાં અનુભવીએ છીએ અને સંતોષકારક ઉકેલો શોધીએ છીએ. આ પ્રશ્નો હોઈ શકે છે: શું ક્યાં છે? તે ત્યાં કેમ છે? જો તેને નવા સ્થાન પર ખસેડવામાં આવે તો શું થશે? આવા પુનઃસ્થાપન દ્વારા કોને લાભ થશે? જો પુનઃસ્થાપન થાય તો કોને લાભ ગુમાવવાની અપેક્ષા છે? આ અને અન્ય ઘણા પ્રશ્નો સમજવા માટે, આપણે જરૂરી ડેટા કેપ્ચર કરવાની જરૂર છે જે વિવિધ સ્ત્રોતોમાંથી એકત્રિત કરવામાં આવે છે અને તેમને જીઓ-પ્રોસેસિંગ ટૂલ્સ દ્વારા સપોર્ટેડ કમ્પ્યુટરનો ઉપયોગ કરીને એકીકૃત કરવાની જરૂર છે. અહીં સ્પેશિયલ ઇન્ફોર્મેશન સિસ્ટમનો ખ્યાલ રહેલો છે. વર્તમાન પ્રકરણમાં, આપણે સ્પેશિયલ ઇન્ફોર્મેશન ટેક્નોલોજીના મૂળભૂત સિદ્ધાંતો અને તેનો સ્પેશિયલ ઇન્ફોર્મેશન સિસ્ટમ સુધી વિસ્તરણ પર ચર્ચા કરીશું, જેને સામાન્ય રીતે ભૌગોલિક માહિતી પ્રણાલી તરીકે ઓળખવામાં આવે છે.

સ્પેશિયલ ઇન્ફોર્મેશન ટેક્નોલોજી શું છે?

સ્પેશિયલ શબ્દ સ્પેસમાંથી ઉતરી આવ્યો છે. તે ભૌગોલિક રીતે વ્યાખ્યાયિત કરી શકાય તેવી જગ્યા પર વિતરિત લક્ષણો અને ઘટનાઓનો સંદર્ભ આપે છે, આમ, ભૌતિક રીતે માપી શકાય તેવા પરિમાણો ધરાવે છે. આપણે જાણીએ છીએ કે આજે વપરાતા મોટાભાગના ડેટામાં સ્થાનિક ઘટકો (સ્થાન) હોય છે, જેમ કે મ્યુનિસિપલ સુવિધાનું સરનામું, અથવા કૃષિ જમીનની સીમાઓ, વગેરે. તેથી, સ્પેશિયલ ઇન્ફોર્મેશન ટેક્નોલોજી સ્પેશિયલ માહિતી એકત્રિત કરવા, સંગ્રહવા, પુનઃપ્રાપ્ત કરવા, પ્રદર્શિત કરવા, હેરફેર કરવા, સંચાલન અને વિશ્લેષણ કરવા માટે ટેક્નોલોજીકલ ઇનપુટ્સના ઉપયોગ સાથે સંબંધિત છે. તે રિમોટ સેન્સિંગ, જીપીએસ, જીઆઈએસ, ડિજિટલ કાર્ટોગ્રાફી અને ડેટાબેઝ મેનેજમેન્ટ સિસ્ટમ્સનું મિશ્રણ છે.

જીઆઈએસ (ભૌગોલિક માહિતી પ્રણાલી) શું છે?

1970ના મધ્યથી ઉપલબ્ધ એડવાન્સ કમ્પ્યુટિંગ સિસ્ટમ્સ જીઓરેફરન્સ્ડ માહિતીની પ્રક્રિયા માટે સક્ષમ છે જેનો હેતુ સ્પેશિયલ અને ગુણધર્મ ડેટાને સંગઠિત કરવા અને તેમના એકીકરણ માટે છે; વ્યક્તિગત ફાઇલોમાં ચોક્કસ માહિતી શોધવી અને ગણતરીઓ કરવી, વિશ્લેષણ કરવું અને નિર્ણય આધારિત સિસ્ટમ વિકસાવવી. આવા તમામ કાર્યો કરવા માટે સક્ષમ સિસ્ટમને ભૌગોલિક માહિતી પ્રણાલી (જીઆઈએસ) કહેવામાં આવે છે. તેને એવી સિસ્ટમ તરીકે વ્યાખ્યાયિત કરવામાં આવે છે જે પૃથ્વીનો સંદર્ભ આપતા ડેટાને કેપ્ચર કરવા, સંગ્રહવા, તપાસવા, એકીકૃત કરવા, હેરફેર કરવા, વિશ્લેષણ કરવા અને પ્રદર્શિત કરવા માટે છે. આમાં સામાન્ય રીતે સ્પેશિયલી રેફરન્સ્ડ કમ્પ્યુટર ડેટાબેઝ અને યોગ્ય એપ્લિકેશન સોફ્ટવેરનો સમાવેશ થાય છે. તે કમ્પ્યુટર એસિસ્ટેડ કાર્ટોગ્રાફી અને ડેટાબેઝ મેનેજમેન્ટ સિસ્ટમનું મિશ્રણ છે અને તે કોન્સેપ્ચ્યુઅલ અને પદ્ધતિસરની શક્તિ સ્પેશિયલ અને સંબંધિત વિજ્ઞાનો જેમ કે કમ્પ્યુટર સાયન્સ, આંકડાશાસ્ત્ર, કાર્ટોગ્રાફી, રિમોટ સેન્સિંગ, ડેટાબેઝ ટેક્નોલોજી, ભૂગોળ, ભૂસ્તરશાસ્ત્ર, હાઈડ્રોલોજી, કૃષિ, સંસાધન વ્યવસ્થાપન, પર્યાવરણ વિજ્ઞાન અને જાહેર વહીવટીતંત્ર પરથી મેળવે છે.

ભૌગોલિક માહિતીના સ્વરૂપો

બે પ્રકારના ડેટા ભૌગોલિક માહિતીનું પ્રતિનિધિત્વ કરે છે. આ સ્પેશિયલ અને નોન-સ્પેશિયલ ડેટા છે (બોક્સ 4.1). સ્પેશિયલ ડેટા તેમની પોઝિશનલ, લીનિયર અને એરિયલ ફોર્મ્સ ઓફ એપિઅરન્સિસ દ્વારા વર્ગીકૃત થયેલ છે (ફિગ. 4.1).

$\hspace{2cm}$ બોક્સ 4.1 : સ્પેશિયલ અને નોન-સ્પેશિયલ ડેટા

ભૌગોલિક ડેટાબેઝ : ડેટાબેઝમાં ગુણધર્મો અને તેમની કિંમત અથવા વર્ગ હોય છે. ડાબી બાજુનો નોન-સ્પેશિયલ ડેટા સાયકલ પાર્ટ્સ દર્શાવે છે, જે કોઈપણ સ્થાને સ્થિત હોઈ શકે છે. જમણી બાજુનો ડેટા રેકોર્ડ સ્પેશિયલ છે કારણ કે એક ગુણધર્મ, વિવિધ રાજ્યોના નામ, જે નકશામાં નિશ્ચિત સ્થાન ધરાવે છે. આ ડેટાનો ઉપયોગ જીઆઈએસમાં થઈ શકે છે.

ફિગ. 4.1 : પોઈન્ટ, લાઈન અને એરિયા ફીચર

આ ડેટા ફોર્મ્સને સામાન્ય રીતે સ્વીકૃત અને યોગ્ય રીતે વ્યાખ્યાયિત કોઓર્ડિનેટ સિસ્ટમમાં ભૌમિતિક રીતે રજિસ્ટર કરવા અને કોડેડ કરવા જરૂરી છે જેથી તે જીઆઈએસની આંતરિક ડેટાબેઝ સ્ટ્રક્ચરમાં સંગ્રહિત થઈ શકે. બીજી બાજુ, જે ડેટા સ્પેશિયલ ડેટાનું વર્ણન કરે છે તેને નોન-સ્પેશિયલ અથવા ગુણધર્મ ડેટા તરીકે ઓળખવામાં આવે છે. સ્પેશિયલ ડેટા સ્પેશિયલ અથવા ભૌગોલિક માહિતી પ્રણાલીમાં સૌથી મહત્વપૂર્ણ પૂર્વશરત છે. જીઆઈએસ કોરમાં, તેને અનેક રીતે બનાવી શકાય છે. આ છે :

• ડેટા સપ્લાયર પાસેથી ડિજિટલ ફોર્મમાં ડેટા મેળવો
• હાલના એનાલોગ ડેટાને ડિજિટાઇઝ કરો
• ભૌગોલિક એન્ટિટીઓનું પોતાનું સર્વેક્ષણ કરો.

જીઆઈએસ એપ્લિકેશન માટે ભૌગોલિક ડેટાના સ્ત્રોતની પસંદગી, જો કે, મોટે ભાગે નીચેના દ્વારા શાસિત છે:

• એપ્લિકેશન વિસ્તાર પોતે
• ઉપલબ્ધ બજેટ, અને
• ડેટા સ્ટ્રક્ચરનો પ્રકાર, એટલે કે, વેક્ટર/રાસ્ટર.

ઘણા વપરાશકર્તાઓ માટે, સ્પેશિયલ ડેટાનો સૌથી સામાન્ય સ્ત્રોત ટોપોગ્રાફિકલ અથવા થીમેટિક મેપ્સ હાર્ડ કોપી (પેપર) અથવા સોફ્ટ કોપી ફોર્મ (ડિજિટલ)માં છે. આવા તમામ નકશાઓ નીચેની વિશેષતાઓ દ્વારા વર્ગીકૃત થયેલ છે:

• નિશ્ચિત સ્કેલ જે નકશા અને તે પ્રતિનિધિત્વ કરતી સપાટી વચ્ચેનો સંબંધ પ્રદાન કરે છે,
• પ્રતીકો અને રંગોનો ઉપયોગ જે મેપ કરેલી એન્ટિટીઓના ગુણધર્મોને વ્યાખ્યાયિત કરે છે, અને
• સંમત કોઓર્ડિનેટ સિસ્ટમ, જે પૃથ્વીની સપાટી પર એન્ટિટીઓનું સ્થાન વ્યાખ્યાયિત કરે છે.

મેન્યુઅલ પદ્ધતિઓ પર જીઆઈએસના ફાયદા

નકશા, ભૌગોલિક માહિતીના સંચારના ગ્રાફિક માધ્યમ અને ભૌમિતિક વિશ્વસનીયતા ધરાવતા હોવા છતાં, નીચેની મર્યાદાઓ સાથે વારસામાં મળે છે:

(i) નકશાની માહિતી ચોક્કસ રીતે પ્રોસેસ અને પ્રસ્તુત કરવામાં આવે છે.

(ii) નકશો એક અથવા એક કરતાં વધુ પૂર્વનિર્ધારિત થીમ્સ દર્શાવે છે.

(iii) નકશા પર દર્શાવેલી માહિતીમાં ફેરફાર કરવા માટે નવો નકશો દોરવાની જરૂર પડે છે.

ઊલટું, જીઆઈએસ અલગ ડેટા સંગ્રહ અને પ્રસ્તુતિના આંતરિક ફાયદા ધરાવે છે. તે ડેટા જોવા અને પ્રસ્તુત કરવા માટે અનેક રીતે વિકલ્પો પણ પ્રદાન કરે છે. જીઆઈએસના નીચેના ફાયદાઓ ઉલ્લેખનીય છે:

1. વપરાશકર્તાઓ પ્રદર્શિત સ્પેશિયલ ફીચર્સની તપાસ કરી શકે છે અને વિશ્લેષણ માટે સંકળાયેલી ગુણધર્મ માહિતી પુનઃપ્રાપ્ત કરી શકે છે.
2. ગુણધર્મ ડેટાની ક્વેરી અથવા વિશ્લેષણ કરીને નકશા દોરી શકાય છે.
3. નવા સેટની માહિતી જનરેટ કરવા માટે એકીકૃત ડેટાબેઝ પર સ્પેશિયલ ઓપરેશન્સ (પોલીગોન ઓવરલે અથવા બફરિંગ) લાગુ કરી શકાય છે.
4. શેર્ડ લોકેશન કોડ દ્વારા ગુણધર્મ ડેટાની વિવિધ વસ્તુઓ એકબીજા સાથે સંકળાયેલી હોઈ શકે છે.

જીઆઈએસના ઘટકો

ભૌગોલિક માહિતી પ્રણાલીના મહત્વપૂર્ણ ઘટકોમાં નીચેનાનો સમાવેશ થાય છે: (a) હાર્ડવેર (b) સોફ્ટવેર (c) ડેટા (d) લોકો (e) પ્રક્રિયાઓ

જીઆઈએસના વિવિધ ઘટકો ફિગ. 4.2 માં બતાવવામાં આવ્યા છે.

હાર્ડવેર

પ્રકરણ 4 માં ચર્ચા કર્યા મુજબ જીઆઈએસના ત્રણ મુખ્ય ઘટકો છે:

• પ્રોસેસિંગ, સ્ટોરેજ, ડિસ્પ્લે અને ઇનપુટ અને આઉટપુટ સબ-સિસ્ટમ્સ ધરાવતું હાર્ડવેર.
• ડેટા એન્ટ્રી, એડિટિંગ, મેન્ટેનન્સ, એનાલિસિસ, ટ્રાન્સફોર્મેશન, મેનિપ્યુલેશન, ડેટા ડિસ્પ્લે અને આઉટપુટ માટે સોફ્ટવેર મોડ્યુલ્સ.
• ડેટા ઓર્ગેનાઇઝેશનની કાળજી લેવા માટે ડેટાબેઝ મેનેજમેન્ટ સિસ્ટમ.

સોફ્ટવેર

નીચેના ફંક્શનલ મોડ્યુલ્સ સાથેની એપ્લિકેશન સોફ્ટવેર જીઆઈએસની મહત્વપૂર્ણ પૂર્વશરત છે:

• ડેટા એન્ટ્રી, એડિટિંગ અને મેન્ટેનન્સ સાથે સંબંધિત સોફ્ટવેર
• એનાલિસિસ/ટ્રાન્સફોર્મેશન/મેનિપ્યુલેશન સાથે સંબંધિત સોફ્ટવેર
• ડેટા ડિસ્પ્લે અને આઉટપુટ સાથે સંબંધિત સોફ્ટવેર.

ડેટા

સ્પેશિયલ ડેટા અને સંબંધિત ટેબ્યુલર ડેટા જીઆઈએસની રીઢની હાડકું છે. હાલનો ડેટા સપ્લાયર પાસેથી મેળવી શકાય છે અથવા નવો ડેટા વપરાશકર્તા દ્વારા ઇન-હાઉસ બનાવી/એકત્રિત કરી શકાય છે. ડિજિટલ મેપ જીઆઈએસ માટે મૂળભૂત ડેટા ઇનપુટ બનાવે છે. નકશાની વસ્તુઓ સાથે સંબંધિત ટેબ્યુલર ડેટા પણ ડિજિટલ ડેટા સાથે જોડી શકાય છે. જીઆઈએસ સ્પેશિયલ ડેટાને અન્ય ડેટા સંસાધનો સાથે એકીકૃત કરશે અને તે ડીબીએમએસનો ઉપયોગ પણ કરી શકે છે.

લોકો

જીઆઈએસ વપરાશકર્તાઓની શ્રેણી હાર્ડવેર અને સોફ્ટવેર એન્જિનિયર્સથી સંસાધન અને પર્યાવરણીય વૈજ્ઞાનિકો, નીતિ નિર્માતાઓ અને મોનિટરિંગ અને અમલીકરણ એજન્સીઓ સુધીની છે. લોકોનો આ ક્રોસ-સેક્શન નિર્ણય આધારિત સિસ્ટમ વિકસાવવા અને વાસ્તવિક સમયની સમસ્યાઓ ઉકેલવા માટે જીઆઈએસનો ઉપયોગ કરે છે.

પ્રક્રિયાઓ

પ્રક્રિયાઓમાં શામેલ છે કે ડેટા કેવી રીતે પુનઃપ્રાપ્ત કરવામાં આવશે, સિસ્ટમમાં ઇનપુટ કરવામાં આવશે, સંગ્રહિત કરવામાં આવશે, સંચાલિત કરવામાં આવશે, રૂપાંતરિત કરવામાં આવશે, વિશ્લેષણ કરવામાં આવશે અને અંતે અંતિમ આઉટપુટમાં પ્રસ્તુત કરવામાં આવશે.

ફિગ. 4.2 : જીઆઈએસના મૂળભૂત ઘટકો

સ્પેશિયલ ડેટા ફોર્મેટ્સ

સ્પેશિયલ ડેટાનું પ્રતિનિધિત્વ રાસ્ટર અને વેક્ટર ડેટા ફોર્મેટ્સમાં થાય છે:

રાસ્ટર ડેટા ફોર્મેટ

રાસ્ટર ડેટા ગ્રાફિક ફીચરને ચોરસના ગ્રીડના પેટર્ન તરીકે રજૂ કરે છે, જ્યારે વેક્ટર ડેટા ઑબ્જેક્ટને ચોક્કસ બિંદુઓ વચ્ચે દોરેલી રેખાઓના સમૂહ તરીકે રજૂ કરે છે. કાગળના ટુકડા પર ત્રાંસી દોરેલી રેખાને ધ્યાનમાં લો. રાસ્ટર ફાઇલ આ છબીને કાગળને નાના લંબચોરસના મેટ્રિક્સમાં વિભાજીત કરીને રજૂ કરશે, જે ગ્રાફ પેપરના શીટ જેવું છે જેને સેલ્સ કહેવાય છે. દરેક સેલને ડેટા ફાઇલમાં પોઝિશન અસાઇન કરવામાં આવે છે અને તે પોઝિશન પરના ગુણધર્મના આધારે મૂલ્ય આપવામાં આવે છે. તેની પંક્તિ અને કૉલમ કોઓર્ડિનેટ્સ કોઈપણ વ્યક્તિગત પિક્સેલને ઓળખી શકે છે (ફિગ. 4.3). આ ડેટા રજૂઆત વપરાશકર્તાને મૂળ છબીને સરળતાથી પુનઃનિર્માણ અથવા વિઝ્યુઅલાઈઝ કરવાની મંજૂરી આપે છે.

ફિગ. 4.3 : ગ્રીડ માટે જનરિક સ્ટ્રક્ચર

સેલ સાઇઝ અને સેલ્સની સંખ્યા વચ્ચેનો સંબંધ રાસ્ટરની રિઝોલ્યુશન તરીકે વ્યક્ત થાય છે. ગ્રીડ સાઇઝની અસર રાસ્ટર ફોર્મેટમાં ડેટા પર ફિગ. 4.4 માં સમજાવવામાં આવી છે.

ફિગ. 4.4 : રાસ્ટર ફોર્મેટમાં ડેટા પર ગ્રીડ સાઇઝની અસર

રાસ્ટર ફાઇલ ફોર્મેટ્સનો ઉપયોગ મોટેભાગે નીચેની પ્રવૃત્તિઓ માટે થાય છે:

• એરિયલ ફોટોગ્રાફ્સ, સેટેલાઇટ ઇમેજીસ, સ્કેન્ડ પેપર મેપ્સ, વગેરેની ડિજિટલ રજૂઆત માટે.
• જ્યારે ખર્ચ નીચી રાખવાની જરૂર હોય.
• જ્યારે નકશાને વ્યક્તિગત નકશા ફીચર્સના વિશ્લેષણની જરૂર ન હોય.
• જ્યારે “બેકડ્રોપ” નકશાની જરૂર હોય.

વેક્ટર ડેટા ફોર્મેટ

સમાન ત્રાંસી રેખાની વેક્ટર રજૂઆત ફક્ત તેના પ્રારંભિક અને અંતિમ બિંદુઓના કોઓર્ડિનેટ્સ રેકોર્ડ કરીને રેખાની સ્થિતિ રેકોર્ડ કરશે. દરેક બિંદુ બે અથવા ત્રણ સંખ્યાઓ તરીકે વ્યક્ત થશે (આધાર રાખીને કે રજૂઆત $2 \mathrm{D}$ અથવા $3 \mathrm{D}$ હતી, જેને ઘણીવાર $\mathrm{X}, \mathrm{Y}$ અથવા $\mathrm{X}, \mathrm{Y}, \mathrm{Z}$ કોઓર્ડિનેટ્સ તરીકે ઓળખવામાં આવે છે) (ફિગ. 4.5). પ્રથમ સંખ્યા, $\mathrm{X}$, બિંદુ અને કાગળની ડાબી બાજુ વચ્ચેનું અંતર છે; $\mathrm{Y}$, બિંદુ અને કાગળની નીચેની બાજુ વચ્ચેનું અંતર; $\mathrm{Z}$, કાગળની ઉપર અથવા નીચે બિંદુની ઉંચાઈ. માપેલા બિંદુઓને જોડવાથી વેક્ટર બને છે.

ફિગ. 4.5 : વેક્ટર ડેટા મોડલ કોઓર્ડિનેટ જોડીની આસપાસ આધારિ