OGF Datamodeller. Workshop 2 Teknisk gennemgang

Transkript

1 OGF Datamodeller Workshop 2 Teknisk gennemgang

2 Datamodel - Datakatalog Pragmatisk tilgang: Navn / beskrivelse af dataindhold Geometri Attributter Behov for at sætte begreber på plads, så det er det samme vi snakker om!

3 Hvad snakker du om Feature Class = FOT Objekttype = DAI og PlanDK 3 Tema = OGC Feature Class = Kært barn har mange navne! En homogen samling af geografiske features (objekter) med ensartet geometri og samme attributter

4 Feature Group Feature Group = FOT Objektgruppe DAI og PlanDK har ingen yderligere gruppering Gruppering af feature classes i klumper der hører naturligt sammen Skal tage udgangspunkt i lovgivning og/eller den kommunale opgave I projektet kun anvendt som et arbejdsredskab kan derfor ændres

5 Eksempel fra FOT TRAFIK VEJMIDTE JERNBANE SYSTEMLINJE VEJKANT HELLE CHIKANE TRAFIKHEGN STANDSNINGSSTED

6 Forskellige slags feature classes Feature class Basis Fælles Individuelt Attr. Basis Fælles Individuelt

7 Basale data Feature classes i nationale geodatasæt: f.eks. FOT, DAI, PlanDK, Matr. (datamodeller er defineret) Feature class Attr. Basis Basis Fælles Individuelt Fælles Individuelt

8 Kommunale data Sektorspecifikke geodatasæt / Data fra fagsystemer f.eks. Vejman, Skove og Grønne områder hvor datamodeller er fastlagt af andre og er alment udbredte Attr. Feature class Basis Basis Fælles Individuelt Fælles Kommunale datasæt uden fælles datamodel Individuelt

9 Kommunale data Frivillige / Individuelle geodatasæt: Feature classes den enkelte kommune har valgt at oprette. Attr. Feature class Basis Basis Fælles Individuelt Fælles Individuelt

10 Overvejelser ved udvælgelse af feature classes Så få feature classes som muligt Samme fælles attributter Samme geometri Samle det der er fornuftigt at samle under hensyntagen til f.eks. datatilblivelse, dataanvendelse, dataansvar Datamodel må ikke eksistere i forvejen

11 Egenskabsdata Basale attributter / Generelle egenskaber Fælles attributter der er generelle og obligatoriske for alle kommunale feature classes der er dataspecifikke og obligatoriske for den enkelte feature class Frivillige attributter der er dataspecifikke og som det er muligt at anvende efter behov i den enkelte kommune.

12 Basale attributter Kommunale DAI FOT Obligatorisk på alle kommunale featureklasses Feature Group Feature Class Objekt_id UUID Tema_kode Tema_navn Objekt_id UUID OBJEKTTYPE FOT_ID Systid_fra Systid_fra FØDT_TID Systemtildelte attributter Systid_til Oprettet Gyldig_fra Gyldig_til Systid_til Oprettet NEDLAGT_TID Kodelister / opslagstabeller Oprindkode Statuskode Oprindkode Oprindelse Statuskode Status METADATA Myndighedskode CVR_kode Tilpasset kommunal anvendelse Fagansvar_id Geometri CVR_navn Bruger_id Link Shape GEOMETRI

13 Fælles attributter Attributter der er dataspecifikke, dvs. specifikke for den enkelte feature class Attributterne skal være der, men kan være frivillige at udfylde Type opdeling(er) Nøglefelter / fremmede nøgler, f.eks. Adresse Nøgle1 Type Attribut 3 Attribut 4 Attribut 5 Link /URL Links

14 Fælles attributter Findes der ikke-geografiske data (fagdata), f.eks. database med Grundejerforeninger Kun nøglen som fælles attribut Er de geografiske data den eneste registrering Alle relevante attributter er fælles.

15 Eksempel fra FOT Attribut Feature Group Feature Class Objekt_id UUID Systid_fra Værdi BYGNING BYGNING {E6AB20EA-67E4-4C11-A051-B50A084788A3} T23:59: :00 Beskrivelse Basale attributter Systid_til Oprettet Gyldig_fra Gyldig_til Oprindkode Statuskode Myndighedskode Fagansvar_id T23:59: : NN BYGNINGSTYPE TANK/SILO_TYPE MÅLESTED_BYGNING Tank/silo Gylle, åben Væg Type Fælles attributter METODE_3D UNDER_MINIMUM_BYGNING BBR_REFERENCE TK/FOT-tag 0 0 BYGNING_ID Nøgle AREALKVALITET GEOMETRI 10 Flade

16 Overvejelser Feature classes der var i en af de 5 kommuners data Ikke flertalsafgørelse men forsøgt bred dækning Rummelig / fleksibel Datamodel må ikke være defineret i forvejen Ikke afledte eller sammenstillede temaer kun originale data

17 Arbejdet med feature classes Fællesnævnere for kommunale datasæt. Udgangspunkt i 5 kommuners datasæt: Silkeborg Hjørring Vejle Faaborg-Midtfyn Roskilde

18 Arbejdet med feature classes De 5 kommuner repræsenterer et "gennemsnit" af kommunerne i Danmark både m.h.t. størrelse og med hensyn til GIS-platforme. MapInfo ArcGIS GeoMedia

19 Arbejdet med feature classes

20 Arbejdet med feature classes

21 Arbejdet med feature classes

22 Arbejdet med feature classes Datasæt, som enten er født i andre systemer (eks. Vejman/ROSY, DANDAS m.m.) eller er resultat af analyser af data fra andre systemer blev sorteret fra. Der var mange ligheder, men der var også forskelligheder.

23 Arbejdet med feature classes De 5 datasæt mundede ud i denne liste med feature classes: C:\Featureclasses.xls

24 Arbejdet med feature classes Alt dette mundede ud i det skema, I har fået med feature classes, som danner baggrund for det videre arbejde med de kommunale datamodeller. c:\bilag Feature Classes WS2B.xls

25 Spørgsmål