fire.api.niv package
Module contents
API-modul til fire niv-underkommandoer.
Submodules
Funktionalitet til fire niv udtræk-observationer
- fire.api.niv.udtræk_observationer.OBSKLASSE = {NivMetode.MGL: <class 'fire.api.model.observationer.GeometriskKoteforskel'>, NivMetode.MTL: <class 'fire.api.model.observationer.TrigonometriskKoteforskel'>}
Oversætter mellem nivellementsmetode og observationsklasse.
- fire.api.niv.udtræk_observationer.brug_alle_på_alle(operationer: Iterable[Callable], objekter: Iterable[Any]) Iterator[Any]
Udfør hver operation på hvert objekt og returnér resultaterne.
- fire.api.niv.udtræk_observationer.filterkriterier(nøjagtigheder: Iterable[Nøjagtighed]) Mapping[int, float]
Returnerer en dictionary med en spredning for hver kombination af nivellementsmetode og valgte nøjagtigheder.
- fire.api.niv.udtræk_observationer.klargør_geometrifiler(geometrifiler: Iterable[str]) List[Geometry]
Returnerer samlet liste med hvert lag i hver fil.
Hver geometrifil kan have flere features eller lag.
Åbn og konvertér indhold af geometrifiler.
- fire.api.niv.udtræk_observationer.observationer_inden_for_spredning(resultatsæt: Set[GeometriskKoteforskel | TrigonometriskKoteforskel], spredninger: Mapping[int, float]) Iterator[GeometriskKoteforskel | TrigonometriskKoteforskel]
- fire.api.niv.udtræk_observationer.polygoner(punkter: Iterable[Punkt], buffer: int) Iterator[Geometry]
Returnerer en søgeklar liste med Geometry-instanser til søgning i databasen.
- fire.api.niv.udtræk_observationer.punkter_til_geojson(data: DataFrame) dict
Konvertér punkter til geojson-tekststreng.
- fire.api.niv.udtræk_observationer.søgefunktioner_med_valgte_metoder(forberedt_søgefunktion: Callable, metoder: List[NivMetode]) Iterator[Callable]
Returnerer en søgefunktion med fastsatte argumenter for hver metode.
- fire.api.niv.udtræk_observationer.timestamp() str
- class fire.api.niv.enums.NivMetode(value, names=None, *, module=None, qualname=None, type=None, start=1, boundary=None)
Bases:
Enum
- MGL = 1
- MTL = 2
- MotoriseretGeometriskNivellement = 1
- MotoriseretTrigonometriskNivellement = 2
- class fire.api.niv.enums.Nøjagtighed(value, names=None, *, module=None, qualname=None, type=None, start=1, boundary=None)
Bases:
Enum
- D = 3
- Detail = 3
- K = 2
- Kvalitet = 2
- P = 1
- Præcision = 1
Nivellementskriterier og hjælpefunktionalitet.
Nøjagtighedskrav (også kaldet forkastelseskriterier) for nivellementmålinger samt de erfarede og i databasen indtastede empiriske spredninger per afstandsenhed, som bruges som á priori-spedninger for en given opmåling.
Nøjagtighedskrav:
|-----------|-----------------|--------------------|---------------|--------------------| | Præcision | 2.0 | 0.6 | 2.0 | 1.5 | | Kvalitet | 2.5 | 1.0 | 2.5 | 2.0 | | Detail | 3.0 | 1.5 | 3.0 | 3.0 | | Eksternt | 5.0 | | | |
- fire.api.niv.kriterier.EMPIRISK_SPREDNING: Mapping[Tuple[Nøjagtighed, NivMetode], float] = {(Nøjagtighed.D, NivMetode.MGL): 1.5, (Nøjagtighed.D, NivMetode.MTL): 3.0, (Nøjagtighed.K, NivMetode.MGL): 1.0, (Nøjagtighed.K, NivMetode.MTL): 2.0, (Nøjagtighed.P, NivMetode.MGL): 0.6, (Nøjagtighed.P, NivMetode.MTL): 1.5}
Implementerer empiriske spredninger (brugt á priori) jævnfør nøjagtighedskrav i modulets dokumentation.
- fire.api.niv.kriterier.FORKASTELSESKRITERIUM: Mapping[Tuple[Nøjagtighed, NivMetode], float] = {(Nøjagtighed.D, NivMetode.MGL): 3.0, (Nøjagtighed.D, NivMetode.MTL): 3.0, (Nøjagtighed.K, NivMetode.MGL): 2.5, (Nøjagtighed.K, NivMetode.MTL): 2.5, (Nøjagtighed.P, NivMetode.MGL): 2.0, (Nøjagtighed.P, NivMetode.MTL): 2.0}
Implementerer forkastelseskriterier jævnfør nøjagtighedskrav i modulets dokumentation.
- fire.api.niv.kriterier.mildeste_kvalitetskrav(nøjagtigheder: List[Nøjagtighed], metoder: List[NivMetode], mapping: dict = {(Nøjagtighed.D, NivMetode.MGL): 1.5, (Nøjagtighed.D, NivMetode.MTL): 3.0, (Nøjagtighed.K, NivMetode.MGL): 1.0, (Nøjagtighed.K, NivMetode.MTL): 2.0, (Nøjagtighed.P, NivMetode.MGL): 0.6, (Nøjagtighed.P, NivMetode.MTL): 1.5}) float
Returnerer mildeste (højeste værdi) kvalitets-kriterium i enheden [mm / km ** (1/2)] ud fra kombination af flere mulige kombinationer af nøjagtighed og metoder.