108 地方特考三等 測量製圖 地理資訊系統與數值製圖 考古題詳解

核心觀念

本題主要測驗地理資訊系統（GIS）中向量資料結構的核心概念——「拓撲／位相（Topology）」結構，以及其在「空間網路分析（Network Analysis）」中的數學原理與實務應用。涉及之核心觀念包含：

1. 拓撲關係（Topological Relationships）：不依賴具體坐標系統，僅描述空間幾何物件間之相對位置關係，包含連通性（Connectivity）、方向性（Directionality）、鄰接性（Adjacency）與包含性（Containment）。
2. 弧段－節點位相結構（Arc-Node Topology）：以弧段（Arc/Edge）與節點（Node/Junction）為基元，區分「具備拓撲意義的端點（Node）」與「僅控制幾何外觀的中間折點（Vertex）」，並透過關聯式資料表記錄網狀拓撲。
3. 圖論模型（Graph Theory）：路網在數學上抽象化為由節點集合與邊集合構成之圖形 $G = (V, E)$，各元素分別賦予成本／阻抗權重（Impedance/Weight）。
4. 網路搜尋演算法：如戴克斯特拉演算法（Dijkstra's Algorithm）、$A^*$ 演算法等，利用拓撲表格中的連通關係進行路徑追蹤與成本累加。

---

解題方法

本題屬申論題型，答題宜採「兩階段架構」，先剖析幾何資料結構的組成原理，再銜接至應用層面的演算機制：

1. 第一部分：解析「弧段－節點位相」的主要組成

• 從空間要素（Spatial Elements）切入，嚴格區分 Node（節點）與 Vertex（頂點）。
• 說明屬性關聯資料表（Attribute/Relational Tables），列出弧段表（Arc Attribute Table, AAT）與節點表之欄位架構，展示電腦如何儲存連通性與方向性。

2. 第二部分：推導「如何利用位相結構進行路網分析」

• 闡明拓撲結構如何免除繁重的坐標空間運算，將路網問題轉化為圖論（Graph Theory）的拓撲搜尋。
• 探討「方向性管制（Flow Direction）」與「轉向限制（Turn Table）」的實現方式。
• 列舉路網分析的核心演算法機制（如最短路徑、服務範圍、管網追蹤），說明拓撲關係在其中扮演的關鍵角色。

---

選項分析

本題為公職考試三等申論題，非選擇題型，無選項。答題重點在於論述之完整度、層次分明度，以及專業專有名詞之精確度。

---

解題技巧

1. 圖文並茂與表格化呈現：考場作答時，以「文字條列 + 拓撲關聯示意表」作答，能讓閱卷委員一眼看出考生通曉實質資料結構（如 From-Node、To-Node）。
2. 明確區分 Node 與 Vertex：這是本題最常見的觀念陷阱。Node（節點）代表交叉口、端點，具備拓撲連通意義；Vertex（頂點）僅定義線段折曲彎度的形狀點，不具備拓撲交會功能。
3. 銜接數學與資料模型：將 GIS 的 Arc/Node 與圖論的 Edge/Vertex 連結，並指出轉向表（Turn Table）與阻抗（Impedance），展現專業廣度。

---

【答案】

一、線段－節點位相（Arc-Node Topology）之主要組成

線段－節點位相結構是向量式地理資訊系統中，用以表達線形實體（如道路、管線、水系）及其空間相互連結關係的資料模型。其主要組成要素與資料庫結構如下：

1. 基本空間構成要素

• 節點（Node）：弧段的起點與終點，通常代表道路交叉口、管線匯流處或死會終端點。每個節點擁有唯一的識別碼（Node ID）與空間坐標 $(X, Y)$。在拓撲中，節點是定義「連通性」與「方向性」的關鍵基元。
• 弧段（Arc / Line Segment）：連接兩節點的一段線實體，擁有唯一的弧段識別碼（Arc ID）。弧段由明確的起點（From-Node）與終點（To-Node）所界定。
• 頂點（Vertex）：位於弧段內部、介於起點與終點之間的所有形狀折點。頂點僅用於記錄曲線幾何形態與詳細坐標，不具備拓撲功能，兩條弧段的頂點即便坐標重疊，若未轉換為節點，系統即視為立體交叉而不具連通關係。

核心觀念

本題考查向量式地理資訊系統（GIS）之古典與經典架構——空間關聯資料模型（Geo-relational Data Model）。核心考點包含：

1. 雙架構（Dual Architecture / Hybrid Architecture）概念：空間幾何/拓撲資料與描述性屬性資料的分離儲存機制。
2. 主要組成要件：空間幾何次系統（專屬二進位或索引檔）、屬性資料庫次系統（關聯式資料庫，RDBMS）以及鍵結機制（Common Identifier / Feature ID）。
3. 兩者關聯與操作機制：以唯一識別碼達成動態關聯（Join / Relate）、雙向交互查詢（Spatial Query $\leftrightarrow$ Attribute Query）與同步維護。

---

解題方法

本題為標準的觀念申論題，應採取「總—分—合」之結構切入：

1. 定義與概念：破題點出空間關聯資料模型的出現背景、核心哲學（將複雜的連續空間坐標與結構化的關聯表格分離處理）。
2. 主要組成拆解：條列並詳述「空間資料組件」、「屬性資料組件」及「共通識別碼」。
3. 組件間的關聯性機制：說明兩者如何透過唯一識別碼形成 $1:1$ 或 $1:N$ 的鏈結，並支持 GIS 的核心分析功能（如：空間查詢找屬性、屬性條件反查空間幾何）。
4. 實例與架構比較：佐以業界標準格式（如 ESRI 的 Coverage、Shapefile）驗證概念，使答案具備實務說服力。

---

選項分析

本題為申論題，無選項分析。閱卷評分重點與給分比例如下：

• 第一子題（定義與概念，約佔 $30\%$）：能否準確寫出「雙架構（Dual Architecture）」及幾何與屬性分立儲存之核心邏輯。
• 第二子題（主要組成，約佔 $40\%$）：是否完整列出「空間幾何/拓撲次系統」、「屬性資料庫（RDBMS）」與「共通識別碼（Feature ID）」，並詳述各模組職責。
• 第三子題（彼此關聯性，約佔 $30\%$）：是否闡釋識別碼鏈結方式、雙向互動檢索機制與資料完整性維護之關聯。

---

解題技巧

1. 關鍵字精準命中：作答時必須精確出現「雙架構（Dual Architecture）」、「關聯式資料庫管理系統（RDBMS）」、「地物識別碼（Feature Identifier, FID）」與「拓撲（Topology）」。
2. 圖文並茂策略：以簡易文字架構圖呈現「空間檔案 $\leftrightarrow$ FID $\leftrightarrow$ 屬性表格」的雙向連結，可大幅提高閱卷能見度。
3. 代表性實例加分：適度點出 ESRI ARC/INFO Coverage（ARC/LAB/CNT 檔與 INFO 系統）或 Shapefile（.shp 與 .dbf），並對比現代「物件導向資料庫（Geodatabase）」的一體化儲存，展現考生對 GIS 資料模型演進脈絡的通盤理解。

---

【答案】

一、空間關聯資料模型之定義與核心概念

1. 定義： 空間關聯資料模型（Geo-relational Data Model）為傳統向量式地理資訊系統（如 ESRI ARC/INFO、Shapefile）廣泛採用的混合式架構模型。其核心原則為​「空間資料與屬性資料分立儲存、藉由唯一識別碼相互鍵結」。
2. 核心概念（雙架構設計，Dual Architecture）：

• 在此模型發展初期，商用關聯式資料庫（RDBMS）擅長處理結構化表格，但難以高效率儲存與檢索可變長度之空間幾何坐標與複雜拓撲。
• 因此，GIS 將幾何資料（點、線、面坐標及拓撲關係）存於專屬檔案系統或二進位檔案結構中；而地物的描述性屬性資料則存放在標準的 RDBMS（或二維資料表）中。
• 兩套子系統彼此獨立，但透過地物所共有的「唯一識別碼」維持同步與動態關聯。

---

二、空間關聯資料模型之主要組成

空間關聯資料模型主要由以下三大元件構成：

核心觀念

本題旨在測驗考生對於空間資料模型（Spatial Data Model）演進歷程與現代地理資訊系統架構之核心理解，主要涵蓋以下觀念：

1. 空間資料模型演進：從傳統的「幾何關聯模型」（Georelational Model，如早期的 Coverage、Shapefile，採幾何圖形與屬性資料表分開存放、以識別碼關聯），演進至「物件導向空間資料模型」（Object-Oriented/Object-Based Spatial Data Model，如 ESRI Geodatabase 或現代物件關聯式資料庫 ORDBMS 之空間延伸）。
2. 物件導向核心機制在向量資料之體現：

• 封裝（Encapsulation）：將地物的「幾何形狀（Geometry）」、「屬性資料（Attributes）」與「空間行為／操作（Methods/Behaviors）」整合於單一物件（Object）中。
• 繼承（Inheritance）：父類別定義共用幾何與屬性，子類別繼承並擴充特化規則。
• 多型（Polymorphism）：同一操作介面（如計算長度、面積或繪製渲染）在不同空間物件上可展現專屬之演算法。
• 規則與關聯（Rules & Associations）：將空間拓樸規則（Topology Rules）、屬性檢核域（Domains）及網絡連通性內嵌為物件的本質限制。

---

解題方法

本題為標準的國家考試專業申論題，答題架構應遵循「核心定義與意義 $\rightarrow$ 關鍵特性落實 $\rightarrow$ 優點系統化論述 $\rightarrow$ 缺點精準點評」之邏輯推進：

1. 破題說明「意義」：

• 對比傳統向量模型的「圖形與屬性分離」缺點。
• 指出物件導向如何將真實世界的地物（Feature）抽象化為「智慧型物件（Smart Feature）」，達成幾何、屬性、拓樸與行為之一體化管理。

2. 結構化剖析「優點」：

• 從「認知真實度」、「資料完整性與智慧約束」、「軟體工程維護性（重用與擴充）」、「複雜網絡與進階分析」等構面論述。

3. 客觀列舉「缺點」：

• 從「系統架構複雜度與學習成本」、「硬體與運算資源開銷」、「跨平台資料共享與相容標準限制」、「既有圖資轉換成本」等實務限制切入。

---

選項分析

本題為申論問答題，非選擇題。在此將題目的評分核心指標與各段落得分權重進行解構分析：

1. 「物件導向在向量式空間資料模型的意義」論述評析：

• 僅回答「點、線、面變成物件」是不夠的。評分關鍵在於能否點出幾何（Geometry）成為物件的一項屬性，且物件同時具備自帶行為與規則（Methods & Constraints），從而被物件關聯式資料庫（ORDBMS）統一封裝與管理。

2. 「優點」論述評析：

• 必須兼顧「空間拓樸完整性（不用每次事後重建拓樸）」與「物件導向軟體工程特性（繼承性使代碼與資料架構重用）」，展現跨領域整合之知識廣度。

3. 「缺點」論述評析：

• 必須避免流於空泛的「成本很高」，應精確指出「物件封裝帶來的解析開銷（Overhead）」以及「專屬資料模型（如 Geodatabase）導致跨平台資料交換標準不易完全統一」等核心瓶頸。

---

解題技巧

1. 關鍵字精準命中：閱卷委員評閱時採關鍵詞給分制，答案中必須明確出現：封裝（Encapsulation）、繼承（Inheritance）、多型（Polymorphism）、幾何關聯模型（Georelational Model）、物件關聯式資料庫（ORDBMS）、拓樸規則（Topology Rules）。
2. 對比式破題：談「意義」時，先簡述傳統「幾何關聯模型」圖資與屬性脫鉤的弊端，能立即突顯物件導向帶來的典範轉移（Paradigm Shift）。
3. 具體舉例佐證：論述抽象概念時搭配具體案例（例如：以「道路中心線」與「高速公路」說明類別繼承；以「自來水管閥閉合」說明物件行為控制），能大幅提升答案的專業說服力。

---

【答案】

一、物件導向概念在向量式空間資料模型的意義

核心觀念

本題評量空間資訊系統中「坐標與地圖投影轉換（Map Projection Transformation）」在不同空間資料模型（向量 vs. 網格）下的處理機制與演算法本質。

1. 空間資料結構本質：

• 向量資料（Vector Data）：以離散的幾何圖元（點、線、面）表達空間實體，位置透過顯式坐標對（Explicit Coordinates, 如 $(X, Y)$ 或 $(E, N)$）記錄於頂點（Vertices/Nodes），屬性資料儲存於關聯資料表。
• 網格資料（Raster Data）：以規則排列的二維矩陣（像元陣列, Cell/Pixel Grid）鋪落空間，幾何位置為隱式坐標（由網格起點外框坐標、像元大小及行列號 $(Row, Col)$ 幾何推算），像元內部儲存單一數值（DN值、高程、類別等）。

2. 投影轉換數學公式：

• 設原始坐標系統為 $(X_s, Y_s)$，目標坐標系統為 $(X_t, Y_t)$。
• 正向轉換（Forward Transformation）： $(X_t, Y_t) = f(X_s, Y_s)$
• 反向轉換（Inverse Transformation）： $(X_s, Y_s) = f^{-1}(X_t, Y_t)$

3. 網格重採樣（Resampling）： 因幾何變形後網格陣列不再與新坐標軸互相平行或正交，必須經由空間插值（Spatial Interpolation）重新計算新像元的屬性值。

---

解題方法

從「幾何處理機制」、「數值改變與插值需求」、「運算量與精確度影響」三大維度切入，深入解析兩者之運作差異及其根本成因：

一、 運算機制與幾何處理之差異

1. 向量資料：直接頂點轉換（Direct Vertex Transformation）

• 作法：直接將向量圖元所有的幾何頂點（Vertices）坐標帶入正向投影轉換公式： $(X_{t, i}, Y_{t, i}) = f(X_{s, i}, Y_{s, i})$
• 結果：幾何邊界隨頂點平移、旋轉、縮放與彎曲；圖元拓樸關係（Topology）在拓樸幾何一致性條件下維持不變。
• 長線修正（Densification）：若線段跨越空間幅度較大，原始兩點間的直線在目標投影下可能為曲線，實務上需在轉換前對線段進行「內插加點（Densify）」，以確保轉換後的曲線形狀不失真。

2. 網格資料：反向映射與重採樣（Backward Mapping and Resampling）

• 作法：若對網格像元採用正向轉換（Forward Mapping），變形後的像元中心會散落於目標空間，導致目標影像出現「空洞（Holes）」或「重疊（Overlaps）」。因此，實務上皆採用反向映射法（Backward Mapping / Inverse Transformation）：

1. 先在目標坐標系統中建立新的標準正交網格架構（定義原點坐標、目標解析度 $\Delta X_t, \Delta Y_t$、行列數）。
2. 針對目標網格的每一個像元中心點 $(X_t, Y_t)$，利用反向投影公式逆推其在原始坐標系統中的連續坐標位置 $(X_s, Y_s)$： $(X_s, Y_s) = f^{-1}(X_t, Y_t)$
3. 逆推所得之 $(X_s, Y_s)$ 通常不落在原始網格的整數行列像元中心，因此必須透過周圍像元進行空間重採樣（Resampling）​決定新像元值。

二、 屬性數值與資料保真度之差異

1. 向量資料：

• 轉換過程僅改變頂點坐標值，屬性資料表（Attribute Table）完全不變。
• 轉換後不會衍生任何光譜或數值誤差，僅涉及幾何精確度（視轉換模型參數精度而定）。

2. 網格資料：

• 由於必須進行重採樣，像元數值會發生變更或誤差。常用重採樣方法之影響如下：
• 最近鄰法（Nearest Neighbor）：直接取最近像元值，不改變原始像元值，適合「離散型／類別型資料」（如土地利用分區），但幾何邊緣易產生鋸齒狀斷裂。
• 雙線性內插法（Bilinear Interpolation）：利用鄰近 $2 \times 2$ 個像元進行距離加權平均，具有平滑效果，適合「連續型資料」（如數值高程模型 DEM、溫度場），但會改變原始極值與光譜分布。