მეტი

QGIS მანძილის მატრიცა: არასწორი მეტრული მანძილი

QGIS მანძილის მატრიცა: არასწორი მეტრული მანძილი


მე გამოვიყენე ხაზოვანი მანძილის მატრიცის ინსტრუმენტი QGIS 2.6- ში. ჩემი საკოორდინაციო სისტემა მეტრულია (ჰოლანდიური ეროვნული RD ახალი) შედეგებს აქვს არასწორი ათწილადები, როგორც ნაჩვენებია ქვემოთ. როგორ შემიძლია ამის გამოსწორება? (მხოლოდ უნიკალური დისტანციების ჩვენება)

შეყვანის ID სამიზნე ID მანძილი მატრიცული რეალურ მანძილზე 3 2 914.753.872.032 914 მეტრი 3 1 119.476.303.875 1,19 კმ 4 1 156.770.528.678 1,56 კმ 4 3 162.709.997.483 1,62 კმ 4 2 226.796.645.372 2,26 კმ 6 5 241.698.218.226 2,41 კმ 6 3 614.677.367.185 6,14 კმ 6 4 631.106.480.203 6,31 კმ 6 2 693.828.353.563 6,93 კმ 6 1 723.724.716.201 7,23 კმ 2 1 105.868.974.731 1,05 კმ 5 3 38.004.119.442 3,8 კმ 5 4 390.398.472.686 3,9 კმ 5 2 46.440.219.167 4,64 კმ 5 1 484.470.336.769 484 მეტრი

მე არ ვიცოდი, რომ ნიდერლანდები არის ერთ-ერთი ქვეყანა, რომელიც ასევე იყენებს არაბულ ციფრებს ათობითი მძიმით (http://en.wikipedia.org/wiki/Decimal_mark). ამ მიზეზით, ის ლოკალურ პრობლემად გამოიყურება. ესპანეთში (რომელიც ასევე იყენებს ათობითი მძიმას), ლოკალთან დაკავშირებული პრობლემების თავიდან ასაცილებლად, მე ვიყენებ ჩემს QGIS- ს ინგლისურენოვან ენასთან და "სისტემის ლოკალების გადალახვა" (პარამეტრები-> ოფციები-> ლოკალი).

ჩემს სისტემაში "მანძილის მატრიცის ხელსაწყოს" სწორი მუშაობის შესამოწმებლად, QGIS- ში ჩავწერე წერტილოვანი ვექტორის ფენა და გავუშვი ინსტრუმენტი.

მე დავბეჭდე ჩემი დისტანციური მატრიცა, როგორც csv ფაილი, სადაც ავირჩიე პირველი ჩანაწერი გადამოწმების მიზნით (წითლად):

შემდეგ სურათზე მე შევარჩიე წერტილები id 0-4 და გავზომე მისი მანძილი "Measure Line Tool" - ით. შედეგი შედარებული იყო CSV ფაილში მოცემულ შედეგთან.


Csv გახსენით ტექსტური რედაქტორით თუ Excel- ით? Excel იბნევა delimter მძიმით, ათასი წერტილით და ათობითი მძიმით; თქვენი კომპიუტერის ლოკალიდან გამომდინარე.

თუ გამყოფ მწვერვალს მძიმით შეცვლით, ის უნდა იმუშაოს. კარგი ტექსტური რედაქტორი, როგორიცაა ჩასაწერი წიგნი ++ Windows- ისთვის, ამის გაკეთება მარტივად შეუძლია.


QGIS დისტანციური სწავლებისა და GIS- ის სწავლებისთვის უნივერსიტეტებში

სამხრეთ კუინზლენდის უნივერსიტეტი (USQ) არის რეგიონალური უნივერსიტეტი, რომელიც მდებარეობს ავსტრალიაში, სამხრეთ – აღმოსავლეთ ქუინზლენდში. მას 28,000 სტუდენტი სწავლობს როგორც კამპუსში, ისე მის გარეთ. უნივერსიტეტის გარეთ სტუდენტების წვდომა თანამედროვე ტექნოლოგიებზე, როგორიცაა ინტერნეტ მომსახურება, ძალიან განსხვავდება. ისინი ასევე იყენებენ სხვადასხვა ტიპის კომპიუტერებს (მაგალითად, ნოუთბუქს, სამუშაო მაგიდას და ა.შ.) სხვადასხვა ოპერაციული სისტემებით (მაგალითად, Windows, MacOS და Linux).

განათლების მიღებას როგორც კამპუსში, ისე გარედან სწავლების რეჟიმში აქვს მრავალი ტექნოლოგიური გამოწვევა. GIS კურსის სწავლება მოითხოვს ამ გამოწვევების დაძლევას. ყოველწლიურად საშუალოდ 300-350 სტუდენტი ჩაირიცხება GIS– ის საბაზისო კურსზე. მათი დაახლოებით 80% სწავლობს კამპუსის გარეთ.

USQ მთავარი კამპუსის რუკა შექმნილია QGIS– ის გამოყენებით using


გაუმჯობესებული მანძილის მატრიცის გამოთვლის ალგორითმი მულტიკორული კლასტერებისთვის

მანძილის მატრიცას მრავალფეროვანი გამოყენება აქვს სხვადასხვა კვლევით სფეროში. მისი გამოთვლა, როგორც წესი, უმნიშვნელოვანესი ამოცანაა ბიოინფორმატიკური პროგრამების უმეტესობაში, განსაკუთრებით მრავალი თანმიმდევრობის სწორებაში. ბიოლოგიური მიმდევრობის მონაცემთა ბაზის გიგანტური აფეთქება იწვევს ამ გამოთვლების დაჩქარებას. დისტვექტი ალგორითმი დაინერგა Al-Neama et al. (პრესაში) წარმოადგინოს უახლოესი მიდგომა მანძილის მატრიცული გამოთვლის ვექტორიზაციისთვის. მან აჩვენა ეფექტური შესრულება როგორც თანმიმდევრული, ისე პარალელური გამოთვლით. ამასთან, ახლა მრავალჯერადი კასეტური სისტემები, რომლებიც ხელმისაწვდომია, მათი მასშტაბურობითა და შესრულების / ხარჯების თანაფარდობით, უფრო ძლიერი და ეფექტური მუშაობის მოთხოვნილებას აკმაყოფილებს. ეს ნაშრომი გვთავაზობს DistVect1 როგორც მაღალეფექტური პარალელური ვექტორიზირებული ალგორითმი, რომელიც ახასიათებს დისტანციური მატრიცის გამოთვლას, მიმართულია მულტიბირთვიან კლასტერებზე. იგი ახდენს ფორმულირებას DistVect1 ვექტორიზებული ალგორითმი მტევანი პრიმიტიული თვალსაზრისით. იგი გამოყოფს გამოანგარიშებების დაყოფისა და დაგეგმვის ეფექტურ მიდგომას, რომელიც ამ ტიპის არქიტექტურისთვის მოსახერხებელია. განხორციელება იყენებს MPI და OpenMP ბიბლიოთეკების პოტენციალს. ექსპერიმენტული შედეგები აჩვენებს, რომ შემოთავაზებული მეთოდი ახდენს SSE2– ის დაახლოებით 3 – ჯერ სიჩქარის გაუმჯობესებას. გარდა ამისა, იგი ასევე აღწევს სიჩქარის 9-ზე მეტ რიგს, ვიდრე საჯაროდ ხელმისაწვდომი პარალელური განხორციელებაა გამოყენებული ClustalW-MPI- ში.

1. შესავალი

მანძილის მატრიცა (DM) ნიშნავს ორგანზომილებიან მასივს, რომელიც შეიცავს ელემენტების ნაკრების წყვილ-დისტანციურ მანძილებს. DM– ს გამოყენების ფართო სპექტრი აქვს სხვადასხვა სამეცნიერო – კვლევით სფეროში. იგი ინტენსიურად გამოიყენება მონაცემთა კლასტერში [1], შაბლონების ამოცნობაში [2], სურათების ანალიზში [3], ინფორმაციის მოძიებაში [4] და ბიოინფორმატიკაში. ბიოინფორმატიკაში მას ძირითადად იყენებენ ე.წ. ფილოგენეტიკური ხის ასაგებად, რომელიც წარმოადგენს სქემას, რომელიც ასახავს სხვადასხვა სახეობის, ორგანიზმის ან გენების ევოლუციური წარმოშობის ხაზებს საერთო წინაპრისგან [5].

გენომების ფეთქებადი ზრდა უფრო მნიშვნელოვნად ხდის გრძელი თანმიმდევრობების უზარმაზარი რაოდენობის გასწორების შესაძლებლობას. მაგალითად, Ribosomal Database Project Release 10 [6] მილიონზე მეტი მიმდევრობისგან შედგება. ეს იწვევს მანძილის გაანგარიშების მასობრივ რაოდენობას. მხოლოდ 100,000 თანმიმდევრობის გასწორებისათვის საჭიროა დაახლოებით 5 მილიარდი მანძილის გამოთვლა სრული DM– ს შესაქმნელად. მაშინაც კი, თუ თანმიმდევრობა მოკლეა და წყვილთა მანძილით გამოანგარიშება შედარებით სწრაფად შეიძლება გაკეთდეს, ვთქვათ სიჩქარით

., მათი გასწორება მაინც მოითხოვს CPU– ს თითქმის 12 დღეს. კიდევ ერთი სირთულეა DM ელემენტების შენახვა, რადგან მას 40 გბაიტი მეხსიერება დასჭირდება. ეს იწვევს ახალი მიდგომების საჭიროებას მანძილის გამოთვლების დაჩქარებისა და შენახვის ეფექტურად წარმართვისთვის.

მეორეს მხრივ, მაღალპროდუქტიული გამოთვლითი (HPC) აპარატურის სწრაფი განვითარება უზრუნველყოფს მაღალი წარმადობის ღირებულების თანაფარდობის გამოთვლითი შესაძლებლობებს. დღეს მრავალმხრივი კომპიუტერების, მტევნების და ქსელების მაღალი სიზუსტეები სულ უფრო ხელმისაწვდომი და მძლავრი გახდა [7]. ამიტომ საინტერესოა მაღალი ხარისხის ტექნოლოგიების გამოყენება ამგვარი სისტემების პოტენციალის განბლოკვისთვის. იმავდროულად, პარალელური პროგრამირების ბიბლიოთეკებმა, როგორიცაა OpenMP და MPI, პროგრამისტებს შესაძლებლობა მისცეს, ისარგებლონ მულტიკორქული და კლასტერების დიდი გამოთვლითი შესაძლებლობებით ზოგადი დანიშნულებისთვის.

მრავალი მცდელობა შეიქმნა მანძილის მატრიცის ეფექტურად გამოსათვლელად. როგორც შემდეგ განყოფილებაში ჩანს, ის, ვინც გამოიყენა GPU, მართლაც სწრაფია, მაგრამ თანმიმდევრობის ხანგრძლივობა შეზღუდულია. სხვა მეთოდები, რომლებსაც შეუძლიათ გრძელი თანმიმდევრობის გატარება და ზუსტი გასწორება, შედარებით ნელია. ჩვენი მოტივაციაა უზრუნველვყოთ ეფექტური მეთოდი, რომელიც აერთიანებს სიჩქარესა და გრძელი თანმიმდევრობების გასწორების შესაძლებლობას.

ეს ნაშრომი წარმოადგენს ჩვენი ნამუშევრის გაფართოებას [8]. გაუმჯობესებული ვერსია დისტვექტი შემოთავაზებულია ალგორითმი. გამოთვლები ეფექტურად გადანაწილებულია დატვირთვის დისბალანსის სამართავად, რაც მიზნად ისახავს საერთო მუშაობის გაუმჯობესებას. ალგორითმი განახლდა ჰიბრიდულ მოდელზე, რათა წვრილი და მსხვილმარცვლოვანი მოდელების მაქსიმალური სარგებელი მიიღონ. შემოთავაზებული მეთოდი მიეკუთვნება მრავალბირთვიან კლასტერებს დღეს არსებული პოპულარობის გამო და დამუშავების უფრო მაღალი სიჩქარის მისაღწევად.

ამ ნაშრომის ძირითადი წვლილია: (i) ძალიან პარალელურად გაფართოებული დიზაინის შემუშავება დისტვექტი მანძილი მატრიცის გამოთვლის ალგორითმი მულტიკორუსულ კლასტერებზე, ე.წ. DistVect1, უზარმაზარი თანმიმდევრობის სწრაფად გასწორება, (ii) შემოთავაზებული შესრულების შესრულება DistVect1 ალგორითმი C ++ MPI და OpenMP გამოყენებით Bibliotheca Alexandrina პლატფორმაზე, (iii) ყოვლისმომცველი ექსპერიმენტების ჩატარება მონაცემთა მრავალფეროვანი რეალური ზომის გამოყენებით და აჩვენებს, რომ ჩვენი შემუშავებული პროგრამა აღემატება ClustalW-MPI– სა და SSE2– ს შესრულების დროის მიხედვით, (iv) თანმიმდევრობის რაოდენობისა და სიგრძის გაზრდის გავლენა სიჩქარეზე და ამის დემონსტრირება DistVect1 იძლევა მნიშვნელოვან სიჩქარეს, როდესაც გენომების სიგრძე იზრდება.

დანარჩენი ეს ნაშრომი შემდეგნაირად არის ორგანიზებული. ნაწილი 2 მოკლედ აჯამებს ფუნდამენტურ მეთოდებსა და ალგორითმებს მანძილის მატრიცასთან დაკავშირებით. ნაწილი 3 განმარტავს დისტვექტი ალგორითმი. მე -4 ნაწილში განხილულია გაუმჯობესებული DistVect1. მე -5 ნაწილი მოკლედ აღწერს განხორციელების პროცედურას და შედეგებს აწვდის დეტალურ ანალიზს. დაბოლოს, მე -6 ნაწილი ასრულებს ნაშრომს და გვთავაზობს სამომავლო სამუშაოს.

2. დაკავშირებული სამუშაო

მანძილზე მატრიცის გამოთვლა განიხილება, როგორც მრავალმხრივი თანმიმდევრობის გასწორების ინსტრუმენტების მნიშვნელოვანი ეტაპი. ზომის მონაცემთა ნაკადის გასწორება

, სად არის მიმდევრობის რაოდენობა და არის მათი საშუალო სიგრძე, ეს მოითხოვს DM ელემენტების გამოთვლას

წყვილის შედარებები. თითოეული შედარებისას გამოიყენება ზომის მატრიცა

მანძილის მისაღებად. ეს გამოთვლები შეიძლება გახდეს ამკრძალავი, როდესაც და ძალიან დიდია (ანუ ათიათასობით). რამდენიმე სწორებადი განლაგების რამდენიმე პროგრამაა, რომლებიც ამ ზომის მონაცემთა ნაკრებებს მისაღები სიზუსტით ამუშავებენ, როგორიცაა MAFFT [9], DIALIGN [10] და Clustal [11]. ყველაზე ზუსტ მეთოდებს მხოლოდ რუტინულად შეეძლოთ ასობით ან რამდენიმე ათასი თანმიმდევრობის დამუშავება, როგორიცაა MUSCLE [12], Probcoms [13] და T-Coffee [14].

ნაპოვნია პერსპექტიული გადაწყვეტილებები DM გამოთვლების პარალელიზაციისთვის. წარმოდგენილი იყო სხვადასხვა პარალელური ალგორითმები სხვადასხვა HPC სისტემებისთვის სიჩქარის / სივრცის დაბრკოლებების დასაძლევად, როგორიცაა მულტიპროცესორული მანქანები და სამუშაო სადგურების კლასტერები. ერთი კატეგორია ფოკუსირებულია მონაცემთა მცირე კომპონენტებზე ოპერაციების პარალელიზაციაზე. ამ მიდგომის ტიპური დანერგვა მულტირეიდის გამოყენებით არის [15, 16]. დანარჩენები კონცენტრირებულნი არიან თანმიმდევრობის თითოეული დამოუკიდებელი წყვილის განაწილებაზე სხვადასხვა პროცესორებზე. ყველაზე პოპულარული პარალელური მეთოდი, რომელიც იყენებს ამ მიდგომას არის ClustalW-MPI [17]. იგი გამიზნულია სამუშაო სადგურის კლასტერებისთვის, განაწილებული მეხსიერების არქიტექტურით. მისი მთავარი წვლილი იყო ClustalW- ის ეფექტურად განაწილებული მეხსიერების დანერგვა, რომლის გაშვება შესაძლებელია განაწილებული მეხსიერების PC კლასტერებზე და პარალელურ მულტიკომპიუტერებზე.

ვირავანი და სხვები. გამოიყენეთ [18] ინტერტასკის მიდგომის გამოყენება, SIMD მოდელით. ისინი ისარგებლებენ იმით, რომ პარალელურად დამოუკიდებლად შეიძლება გამოითვალოს ყველა მცირე დიაგონალის ყველა ელემენტი. მათ გამოიყენეს საერთო Intel პროცესორები SSE2 ინსტრუქციის ნაკრებით, 16 ბიტიანი ელემენტების მხარდაჭერით და წარმოადგინეს პროგრამული უზრუნველყოფის ინსტრუმენტი SSE2, რომელიც ძირითადად იწერებოდა C- ით p-thread API. ეს მიდგომა გამოყენებულია ზოგიერთ ბოლოდროინდელ მეთოდში [15, 19–21], სადაც პარალელიზმი ხდება თანმიმდევრობის ერთი წყვილის ფარგლებში, მონაცემების დამოკიდებულების თავიდან ასაცილებლად გასწორების მატრიცაში.

GPU იქნა გამოყენებული [22] თანმიმდევრობის გასწორების დასაჩქარებლად. მან ჩამოაყალიბა დინამიური პროგრამირებაზე დაფუძნებული გასწორების ალგორითმები, როგორც სტრიმინგის ალგორითმები კომპიუტერული გრაფიკის პრიმიტივების თვალსაზრისით. ექსპერიმენტული შედეგები აჩვენებს, რომ GPU– ზე დაფუძნებული მიდგომა საშუალებას იძლევა სიჩქარის ერთ რიგზე მეტი სიჩქარის პროცესორის ოპტიმიზირებულ დანერგვასთან დაკავშირებით. ამის მიუხედავად, ეს არ არის მწვავე, რადგან მონაცემთა ბაზაში თანმიმდევრობათა 99.8 პროცენტია სიგრძე & lt4,096. გარდა ამისა, გონივრული უნდა იყოს მოსალოდნელი, რომ ტექსტურის ბუფერის დაშვებული ზომები გაიზრდება შემდეგი თაობის გრაფიკულ ტექნიკაში.

ასევე, CUDASW ++ [20] პარალელურად აწარმოებს სმიტ-ვატერმანის ალგორითმს CUDA GPU– სთვის, რომელიც ითვლის მონაცემთა ბაზის თითოეულ თანმიმდევრობასთან შეკითხვის თანმიმდევრობის მსგავსების ქულებს. შესრულების ანალიზი აჩვენებს მთლიანი შესრულების მნიშვნელოვან გაუმჯობესებას წამში სამიდან ოთხ გიგა უჯრედის განახლების თანმიმდევრობით. ერთი GPU ვერსიით მიღწეულია საშუალო შესრულება 9,509 GCUPS, ყველაზე დაბალი შესრულებით 9,039 GCUPS და ყველაზე მაღალი შესრულებით 9,660 GCUPS, ხოლო ორმაგი GPU ვერსიით მიღწეულია საშუალო შესრულება 14,4484 GCUPS, ყველაზე დაბალი შესრულებით 10,660 GCUPS და ყველაზე მაღალი 16.087 GCUPS– ის შესრულება. მაგრამ იგი მხარს უჭერს შეკითხვის თანმიმდევრობას 59 K სიგრძემდე და შეკითხვის თანმიმდევრობის ხანგრძლივობას 144-დან 5478-მდე.

ეს მიდგომა უფრო შეისწავლეს მისმა ავტორებმა, რის შედეგადაც მოხდა ოპტიმიზირებული SIMT და დანაწევრებული ვექტორიზირებული ალგორითმი CUDASW ++ 2.0 [19], საოცარი შესრულებით 17 GCUPS GeForce GTX 280 და 30 GCUPS ორმაგი GPU GeForce GTX 295.

ანალოგიურად, CUDASW ++ 3.0 [21] აწყვილებს CPU და GPU SIMD ინსტრუქციებს და ახორციელებს CPU და GPU ერთდროულ გამოთვლებს. იგი იყენებს SSE- ზე დაფუძნებულ ვექტორულ შემსრულებელ ერთეულებს, როგორც ამაჩქარებლებს და იყენებს CUDA PTX SIMD ვიდეო ინსტრუქციებს, რომ მეტი მონაცემების პარალელიზმი მიიღოს SIMT შესრულების მოდელის მიღმა. შეფასების შედეგად, CUDASW ++ 3.0 მიღწევების გაუმჯობესებას იძენს CUDASW ++ 2.0 – მდე 2.9 – მდე და 3.2 – ით, მაქსიმალური მუშაობით 119.0 და 185.6 GCUPS, შესაბამისად ერთ GPU GeForce GTX 680 და dual-GPU GeForce GTX 690 გრაფიკულ ბარათზე. მან ასევე აჩვენა მნიშვნელოვანი სიჩქარე SWIPE- სა და BLAST + - ზე. ამასთან, შეკითხვის ყველაზე გრძელი თანმიმდევრობა იყო 5,478 სიგრძე, რომელიც ეძებდა Swiss-Prot ცილის მონაცემთა ბაზებს, რომელთა ყველაზე დიდი თანმიმდევრობის სიგრძეა 35,213.

ამასთან, GPU- ს უმეტესობას არ შეუძლია 59,000 ნარჩენის ხანგრძლივობის თანმიმდევრობა. ეს განპირობებულია GPG- ის შიდა SIMD მახასიათებლებით, სადაც მილსადენი საშუალებას იძლევა დაჩქარების დიდ ფაქტორს, მაგრამ მეხსიერების ინტენსიურმა გამოყენებამ შეიძლება გამოიწვიოს ბორკილები. ეს იწვევს სხვა არქიტექტურების განთავსებას, როგორიცაა მრავალი ბირთვი [23]. MC64-ClustalWP2 შეიქმნა ცოტა ხნის წინ, როგორც ClustalW ალგორითმის ახალი განხორციელება, არქიტექტურის გრძელი მიმდევრობის გასწორება მრავალ ბირთვთან. ის მრავალჯერადი სწორებით მუშაობს 18 – ჯერ უფრო სწრაფად ვიდრე ClustalW– ის საწყისი ალგორითმი და შეუძლია შედარებით გრძელი (10 კბ – ზე მეტი) თანმიმდევრობის გასწორება.

ავტორებმა შემოგვთავაზეს ვექტორიზებული მანძილის მატრიცის გამოთვლის ალგორითმი, სახელწოდებით დისტვექტი [8] ალგორითმი ეხება მულტიკორების პარალელური ინსტრუმენტის შექმნის პრობლემას, რომელიც აწარმოებს მრავალი თანმიმდევრობის გასწორებას მოკლე დროში, დიდი შენახვის ადგილის გამოყენების გარეშე. მთავარი წვლილი იყო ყველა გამოყენებული მატრიცის ვექტორიზაცია გამოთვლაში. ექსპერიმენტულად, შემოთავაზებულმა მეთოდმა მიაღწია დიდი რაოდენობით თანმიმდევრობის გასწორების კარგ შესაძლებლობას შენახვის გაუმჯობესებული გაუმჯობესებული შესაძლებლობების საშუალებით, დამუშავების საერთო დროის ეფექტურად გაუმჯობესებით.

3. დისტვექტი ალგორითმი

დისტვექტი [8] არის დაჩქარებული ალგორითმი, რომელიც ითვლის უზარმაზარი მონაცემთა ნაკრებების გასწორების მანძილზე. ეს უპირატესობა აქვს ნაკლები სივრცის ამოწურვას. იგი იღებს, როგორც შეყვანის , თანმიმდევრობები

საშუალო სიგრძის, მათი ჩანაცვლების მატრიცა sbt და გაბ ღირებულებით

. იგი გამოყოფს მანძილის ვექტორს,

, რომელიც შეიცავს მსგავსების ქულას (მანძილი) ორი თანმიმდევრობიდან თითოეული. იგი მუშაობს ვექტორული მატრიცების შესახებ, რომლებიც წარმოდგენილია ლიუს და სხვების მიერ. [22] -ში და გამოიყენეს ვირავანმა და სხვ. [18] -ში. იგი პარალელურად ატარებს ვექტორების ამოხსნის გამოთვლებს მატრიცების მცირე დიაგონალების ელემენტების დამოუკიდებლობის უპირატესობის გათვალისწინებით.

ზუსტი შესატყვისობების რაოდენობის გამოთვლა და წვრილმარცვლოვანი პარალელური განხორციელებისთვის შესაფერისი გახდეს, ლიუ და სხვ. [22] ჩამოაყალიბა განმეორების კავშირი ზუსტი შესატყვისობის გამოთვლებით, რაც უფრო შესაფერისია ხაზოვანი უფსკრული ჯარიმის გამოყენებით. ეს ფორმულა ხელს უწყობს გამოთვლებს რეალური გასწორების გამოთვლის გარეშე. მოცემულია ორი თანმიმდევრობა


Უყურე ვიდეოს: QGIS: Add Vector Layer Chapter 5