c# pdf viewer wpf : How to move pages in a pdf document SDK software project winforms wpf azure UWP USA5-part57

293                                                                                                           Cartography and Geographic Information Science
broad categories mandate differing emphases in 
automated generalization.
Enrichment
Enrichment  adds  attributes  which  support 
subsequent  processing  in  several ways, e.g.,  to 
estimate  local  density  values  for  each  stream 
reach  and  to  guide  pruning.  A  stream  reach 
in  the  NHD  is  a  segment  of  surface  water 
with  similar  characteristics  that  is  assigned  a 
permanent unique reach address, called a reach 
code, which serves as a mechanism for linking 
other data to the NHD (USGS 2000). Reaches 
are  defined  for  non-overlapping  confluence-to-
confluence  segments  on  the  flowline  network 
of  the  NHD.  The  attribute  table  of  the 
hydrographic flowline network is enriched with 
estimates  of  catchment  area,  UDA,  flowline 
density partition and channel hierarchy for each 
reach. Because the HR NHD does not include 
measured UDA values, they must be estimated 
for  each  feature  in  the  hydrographic  network 
(Stanislawski  2009).  UDA  estimates  permit 
relative prominence ranking of  stream reaches, 
which  assists  automatic  centerline  delineation 
(especially in braided flows) as well as tapering 
channel  hierarchy  symbols  for  cartographic 
display.
Pruning
Pruning  eliminates  entire  reaches  without 
damaging  correct  topology  of  the  stream 
network,  terminating  when  the  summed 
length  of  remaining  reaches  approach a  limit 
established  by  a  modification  of  the  Radical 
Law (Töpfer and Pillewizer 1966). The original 
Law computes the number of items to retain in 
a smaller scale dataset on the basis of the desired 
area  taken  up  by  those  items  on  the  smaller 
scale map. Following the format of their basic 
equation, the modification used here computes 
a relationship based on stream channel length: 
Where:
length
target
is the summed length of  channels after 
simplification to the target scale; 
length
source
is the summed length of channels after 
pruning;
RF
source
is the denominator of the Representative 
Fraction of the source scale; and
RF
target
is the denominator of the Representative 
Fraction of the target scale.
Pruning is completed by iteratively eliminating 
reaches  with  UDA  values  that are less than  a 
minimum  tolerance.  The  tolerance  value  is 
increased  for  each  iteration  until  the  sum  of 
retained stream lengths achieves the target value. 
Reducing total summed stream length reduces 
channel  density  for  the  subbasin.  Pruning  is 
localized to reaches that are furthest upstream 
to protect flow continuity and network topology. 
The  modified  Radical  Law  calculation  is 
approximate,  given  the  topological  constraint 
and  also  given  the  constraint  that  stream 
reaches have varying lengths (only entire reaches 
are  pruned).  For  the  Missouri  subbasin,  the 
computation advises pruning the original 3,428 
km  of  channels  back  to a  summed  length of 
2,375 km for a scale jump from 24K to 50K (a 
reduction in stream length of 31 percent). 
Complicating the pruning operation is the fact 
that pruning tends to homogenize channel density 
throughout  the  subbasin.  Where  substantial 
local differences in channel density exist (as for 
example  in  the  West  Virginia,  Missouri,  and 
Colorado  subbasins),  those  differences  are 
preserved  by  partitioning  density  levels  and 
separately pruning each partition (Figure 2). In 
the Missouri subbasin, pruning reduced summed 
channel  length  by  1,070  km,  from  1,921  km 
to 1,303 km in the lower density partition, and 
from 1,508 km to 1,056 km in the higher density 
partition. The total channel length after pruning 
was 2,359 km, a 31 percent reduction. 
Additional Generalization
Following  pruning,  additional  generalization 
either  modifies  or  removes  details  from 
individual  features. This  is  the  stage  at which 
physiographic  differences  impose  the  greatest 
impact  on  processing  sequences.  If  they  exist, 
swamp/marsh areas are aggregated; flood zone 
boundaries are smoothed; ponds and lakes are 
selected on a minimum size  threshold (0.0008 
km
2
for the 50K LoD); centerlines are substituted 
length
target
= length
source
*
RF
source  
(1)
RF
target
How to move pages in a pdf document - re-order PDF pages in C#.net, ASP.NET, MVC, Ajax, WinForms, WPF
Support Customizing Page Order of PDF Document in C# Project
reorder pdf pages in preview; how to move pages in pdf
How to move pages in a pdf document - VB.NET PDF Page Move Library: re-order PDF pages in vb.net, ASP.NET, MVC, Ajax, WinForms, WPF
Sort PDF Document Pages Using VB.NET Demo Code
change page order pdf acrobat; reverse page order pdf
Vol. 38, No. 3                                                                                                                                                          294 
for  polygonal  river  channels;  and  selected 
coordinates  along  flowlines  are  eliminated. 
Gaffuri (2007) argues for preservation of  network 
outflow,  which  is  performed  in  our  approach 
using UDA. Six separate processing sequences 
have been fast-prototyped for the six subbasins 
in  the  different  terrain-precipitation  landscape 
regimes as discussed above (Table 1).  Three of 
these prototype sequences are described below 
to  demonstrate  the  variety  of  data  modeling 
challenges unique to each landscape type.
The Upper Suwannee subbasin (B in Figure 1) 
spans the Florida-Georgia border and includes 
 portion  of  the  Okefenokee  Swamp.  The 
landscape  is  flat and humid,  with  many  small 
areas of standing water, marshland and swamps. 
The  shape  and  size  of  individual  polygons 
changes over time, thus the position or status of 
smaller individual polygons is not sacrosanct in 
generalizing to smaller mapping scales. Instead, 
the generalization  challenge  is  to  preserve the 
overall texture of swamps, marshes 
and small ponds in representations 
at smaller scales. Processing focuses 
on the swamp/marsh feature type, and involves 
an initial selection on size (> 0.02 km
2
) to eliminate 
smallest polygons, rasterization (using 125 meter 
cells),  pixel  expansion  to  aggregate  proximal 
polygons, re-vectorization, and then smoothing 
and merging to incorporate the modified feature 
type back into the NHD waterbody feature class. 
Figure 3 shows results of the 50K LoD processing 
in comparison to the source data (24K HR NHD) 
and an independently compiled benchmark data 
set at the nearest scale, the 100K  MR NHD.
In comparing the three data versions visually 
in Figure 3, it is apparent that the generalized 
LoD retains much of the swamp/marsh texture, 
and displays better stream connectivity, relative 
to the source data. The LoD indicates a much 
higher  area  of  swamps  and  marshes,  relative 
to the 100K benchmark. It can be argued that 
the MR benchmark version implies a landscape 
which is comprised largely of dry land, which is 
not consistent with the HR source version.
In contrast to the landscape of  swamps and 
marshes,  subbasin D, along the Red  River  in 
Texas  presents  a landscape  that is much  drier 
with hilly terrain (Figure 4). The subbasin holds 
many hydrographic polygons but much of the 
hydrography is intermittent or ephemeral. Few 
waterbodies and  areal features  are  permanent, 
and most are  too small to be  retained  by the 
minimum size criteria, which creates problems 
for  automatic  delineation  of   a  complete  and 
continuous  centerline  for  this  NHD  subbasin.  
Cartographic  centerlines  are  delineated  by 
spatial intersection with a set of  artificial paths, 
which  form  a  sequence  of  channel  lines  that 
flow through permanent water polygons (lakes, 
reservoirs,  swamps,  etc.)  (Anderson-Tarver  et 
Figure 2. Density partitioning and pruning for the Missouri 
subbasin (C in Table 1): (a) original flowlines; (b) higher den-
sity channels after pruning; (c) lower density channels after 
pruning.
Figure 3. Results of processing the Florida-
Georgia subbasin (B): (a) 24K high resolution 
NHD, (b)  50K LoD, and (c) 100K medium 
resolution  NHD.  The  texture  of  swamps 
and marshes relative to the 24K source is 
acceptable in the LoD, although density of 
swamps and marshes appears to be under-
generalized in the northwest corner.  Most 
swamps and marshes are not contained in 
the 100K benchmark, implying a drier land-
scape than the 24K source.
C# TIFF: How to Reorder, Rearrange & Sort TIFF Pages Using C# Code
Reorder, Rearrange and Sort TIFF Document Pages in C#.NET Application. this C#.NET Tiff image management library, you can easily change and move the position of
moving pages in pdf; how to move pages within a pdf document
C# Word - Sort Word Pages Order in C#.NET
adjust the order of all or several Word document pages, or just page inserting, Word page deleting and Word document splitting C# DLLs: Move Word Page Position.
reverse pdf page order online; reorder pdf page
295                                                                                                           Cartography and Geographic Information Science
al.  2011).  In  many  dry  landscapes, 
such  as  this  subbasin  in  Texas  too 
few bodies of standing water exist to 
establish  a  centerline.  In  these  cases, 
and  responding  to  the  cartographic 
convention  of  establishing  a  primary 
channel, the generalization processing 
delineates  what  we  call  a  “primary 
flowline.”  The  current  delineation  is 
parsed from the subbasin GNIS name. 
Current work to develop an automated 
solution  is underway,  based  on  UDA 
derived during database enrichment. 
 second  generalization  challenge 
which  arises  in  Texas  subbasin  D 
relates  to the automatic delineation of 
 primary  channel  through  a  stream 
braid.  Braiding  occurs  in  humid  and 
dry  landscapes,  thus  an  automated 
solution  to  delineating  a  continuous 
channel  will  benefit  subbasins  across 
the  country.  Figure  5  shows  that  the 
current automated processing does not 
completely  resolve  a  single  channel 
through  the  braid.  Areal  elimination, 
channel  pruning  and  simplification 
results  are  more  successful  than  is 
delineation  of  the  primary  channel, 
producing  a  50K  LoD  containing  a 
progressive reduction of detail between 
the  24K source and 100K  benchmark 
which  is  appropriate  to  intermediate 
scale display.
Subbasin C in Missouri demonstrates 
two generalization challenges, the first 
of which is stratifying stream channels 
to prune differing channel densities to 
differing tolerances; this was discussed in 
the pruning section. The second relates 
to the braided stream problem in Texas. 
In many NHD subbasins, even those in 
humid  landscape  types,  the  channels 
designated as artificial paths give neither 
a major channel nor a continuous path. 
A proposed solution (Figure 6) provides 
a continuous centerline by traversing the 
flowline graph and searching the UDA 
estimates  derived  from  enrichment. 
The  algorithm  development  is  nearly 
Figure 4. Texas subbasin (D), showing (a) NHD flowline network and 
(b) NHD water areas and water bodies, along with the primary flowline, 
parsed from the subbasin GNIS name.  The majority of water polygons 
are ephemeral or too small to be included in a reduced scale LoD.
Figure 5. Results of processing the Texas subbasin (D): (a) 24K high res-
olution NHD, (b) 50K LoD, and (c) 100K medium resolution NHD. Gen-
eralization of linear and polygon features is acceptable. Delineation 
of a single primary channel continues to challenge a fully automated 
processing solution.
Figure 6. Automatic delineation of a single continuous centerline by 
searching node tables and upstream drainage area estimates.
C# PowerPoint - Sort PowerPoint Pages Order in C#.NET
the order of all or several PowerPoint document pages, or just PowerPoint page deleting and PowerPoint document splitting C# DLLs: Move PowerPoint Page Position.
how to move pages around in pdf file; how to reorder pages in pdf preview
C# PDF File & Page Process Library SDK for C#.net, ASP.NET, MVC
RasterEdge XDoc.PDF allows you to easily move PDF document pages position, including sorting pages and swapping two pages. Copying and Pasting Pages.
how to reorder pages in pdf online; pdf change page order acrobat
Vol. 38, No. 3                                                                                                                                                          296 
complete  and  will  be  applied  to  the  braided 
stream problem in coming research.
Results  of  the  generalization  processing  for 
Missouri are shown in Figure 7. Like many other 
humid  landscapes,  this  subbasin contains  very 
large  reservoirs and inundation areas,  and the 
figure illustrates how generalization  processing 
affects these types of hydrographic features.
To  summarize,  generalization  processing 
should and can be modified to reflect landscape 
variations  which  can  impact  the  content  and 
geometry  of  general  hydrographic  patterns. 
Collective pruning and additional generalization 
processing  are  referred  to  as  “differential 
generalization.”  Pruning  becomes  differential 
when local density differences are stratified, as for 
example in regions which are partially glaciated, 
which cross several types of  bedrock, or when 
moving  from  rural  to urban  areas. Additional 
generalization  sequences  model  feature  types 
(streams,  canals,  ponds,  reservoirs,  dams,  etc.) 
differently to preserve local characteristics which 
are  important  for  cartography  or  hydrologic 
analysis. In all types of  differential generalization, 
the  sequence  of  operations  and/or  the 
parameters are specific to regional terrain and 
climatic  characteristics.  Burghardt  and  Neun 
(2006) propose a constraint-based approach in 
which  decisions are made automatically about 
which type of pruning or other generalization 
methods  to  apply,  which  is  not  currently 
accomplished in the described approach.
Metric Assessment
The benchmark for assessment is the MR (100K) 
NHD. Metric assessment includes two measures 
of  feature  conflation,  identifying  features 
which correspond in the 50K LoD and in the 
100K benchmark. (Recall that the 50K LoD is 
intended for use in the scale range of 50K to 
200K). The Coefficient of Line Correspondence 
(CLC)  (Stanislawski  et  al.  2010)  computes 
conflation among stream channels on the basis 
of  length.  Length  preservation  forms  one  of 
the most important measures of the amount of 
preserved detail in a generalized line (Cromley 
and Campbell 1990).
CLC =                  
∑conflation     
(2)
∑conflation + ∑(omissions +commissions)
where:
conflation
refers to the length of channels 
common to LoD and benchmark;
omissions
refers to the length of channels in 
100K benchmark but not in LoD; and
commissions
refers to the length of channels in 
LoD but not in 100K benchmark.
CLC  values  range  from  1.0  (perfect 
correspondence) to 0.0 (total mismatch). Features 
are buffered to correctly pair generalized features 
with  benchmark  features.  The  buffer  size  for 
hydrographic  features  combines  horizontal 
positional  accuracy  estimates  for  the  two 
versions  of  NHD  (LoD  scale  and  benchmark 
scale),  spanning  twice  the  tolerance  for  well-
defined  points  from  the  UNITED  STATES. 
National Map Accuracy Standards (NMAS) at 
the  two  scales.  The  NMAS  tolerance  at  50K 
and 100K is 0.02 inch, or 0.5 mm (UNITED 
STATES. Bureau of the Budget 1947) at each 
Figure  7.  Results  of  processing 
the  Missouri subbasin  (C):  ): (a) 
24K high resolution NHD, (b) 50K 
LoD, and (c) 100K medium resolu-
tion NHD. Centerlines are overlaid 
within the reservoir to show the 
outcomes of the  continuous  cen-
terline processing.  Notice that in 
the 100K benchmark (c), the dam 
(solid black polygon upper center) 
is not in the database.  Likewise 
the  inundation  area  surrounding 
the  reservoir  in  the  24K  source 
data  (a)  is  eliminated  from  the 
100K NHD data.
C# PDF insert text Library: insert text into PDF content in C#.net
int pageIndex = 0; // Move cursor to (400F, 100F). aChar, font, pageIndex, cursor); // Output the new document. Program.RootPath + "\\" output.pdf"; doc.Save
rearrange pages in pdf document; pdf rearrange pages
C# PDF Library SDK to view, edit, convert, process PDF file for C#
load, create, convert and edit PDF document (pages) in C# PDF files; insert, delete, move, rotate, copy and robust APIs for editing PDF document hyperlink (url
pdf change page order; how to move pages in a pdf file
297                                                                                                           Cartography and Geographic Information Science
scale,  which  provides  a  buffer  distance  of 
152.4  ground  meters.  The  coefficient  of  area 
correspondence (CAC) is analogous to the CLC 
and compares polygonal features by computing 
matches and errors of omission and commission 
in area. While the CLC measures conflation of 
full stream reaches, the CAC includes full and 
partial conflations for polygonal features.
To get a clear sense of how conflation varies 
across a subbasin, we overlay a grid of 200 cells 
and  compute  CLC  and  CAC values  for each 
grid cell (weighted by the amount of subbasin 
coverage in each cell, to avoid edge bias). CAC 
values also range from 1.0 (perfect match) to 0.0 
(no  match).  Figure  8  illustrates  the  CLC  and 
CAC values for the Missouri subbasin.
Validation
The  previous  discussion  presented  processing 
sequences  for  several  subbasins;  in  the  space 
available  to  this  paper,  validation  procedures 
are  demonstrated  for  only  one  of  these,  the 
humid  hilly  subbasin  in  Missouri.  Emphasis 
of  this  paper  is  on  presenting a  methodology 
for  generalization,  assessment,  and  validation, 
rather  than  on  reaching  conclusions  per  se 
about  comparisons  or  distinctions  between 
hydrography in one subbasin or another.
The processing sequence applied to Missouri 
subbasin C was also applied, without changing 
the sequence or parameters,  to  NHD  features 
for a nearby subbasin (G) along the Cimarron 
River  in  Oklahoma  (Figure  9).  The  subbasin 
Figure  8.  Gridded  CLC  (a) 
and CAC  (b) metrics  for  sub-
basin C comparing the 50K LoD 
with the 100K NHD benchmark. 
Better length correspondence 
is  evident  in  the  less  dense 
portions  of  the  stream  net-
work,  where  pruning  has  a 
weaker  impact  on  overall 
channel structure. CAC values 
are lower in part because of 
the absence of some feature 
types in the 100K benchmark, 
as noted in the text.
Figure  9.  Results  of  pro-
cessing  the  Oklahoma  sub-
basin (G).  Panels have been 
rotated  to  format  onto  the 
page; north is to the left. The 
100K benchmark dataset con-
tains nearly as much standing 
water  as  the  processed  50K 
LoD;  pruning  and  flowline 
simplification 
parameters 
set for the Missouri subbasin 
appear  to  apply well to this 
subbasin as well, at this map-
ping scale.
C# PDF Image Extract Library: Select, copy, paste PDF images in C#
Get image information, such as its location, zonal information, metadata, and so on. Able to edit, add, delete, move, and output PDF document image.
change pdf page order; how to move pdf pages around
VB.NET PDF Library SDK to view, edit, convert, process PDF file
Rapidly and multiple PDF document (pages) creation and edit PDF files; insert, delete, move, rotate, copy robust APIs for editing PDF document hyperlink (url
how to move pages in a pdf document; move pages within pdf
Vol. 38, No. 3                                                                                                                                                          298
lies within 300 km of the Missouri subbasin and 
covers 3,570 sq km. Terrain for the Oklahoma 
subbasin is less hilly than Missouri and at a lower 
elevation. Runoff  estimates  for  the  Oklahoma 
subbasin are about half the Missouri subbasin, 
and channel density is uniformly high. Channels 
were therefore not stratified prior to pruning.
The purpose  of  validation  is  to determine 
 geographic  range  for  which  one  of  the 
generalization  processing  sequences  can  be 
applied  with  appropriate  intermediate  scale 
results. To determine this, we compute CLC and 
CAC metrics, using the Oklahoma 100K NHD 
as a benchmark (Figure 10). Comparison of CLC 
and CAC values (Table 2) indicates that applying 
the processing sequence designed for the Missouri 
subbasin to the Oklahoma subbasin results in a 
very good quality for line correspondence, but a 
lesser quality area correspondence. A bootstrap 
analysis can generate confidence intervals to infer 
if differences between the two pairs of metrics 
are significant, and is described in Stanislawski 
et al. (2010a). 
The CLC and CAC measures provide a method 
of  evaluating  the  consistency  of  pruning  and 
generalization  across  subbasins  in  comparison 
to  an  existing  benchmark.  Comparison  of 
values in Table 2 indicates 74-percent average 
correspondence  between  the  50K  LoDs  and 
100K  NHD  benchmarks,  which  we  consider 
to be a relatively high level of consistency. The 
CLC and CAC take a first step towards metric 
assessment of generalization outcomes, and we 
look  forward  to  other  researchers  suggesting 
additional metrics.
Summary
Landscape  differences  made  manifest by  local 
physiography and local climate require differing 
generalization sequences for effective multiscale 
representation of hydrography. Algorithms and 
parameters as well as processing sequences must 
vary to retain these differences for cartographic 
purposes,  such  as  base  topographic  mapping, 
and for  purposes of regional hydrologic analy-
sis,  such  as  modeling  flow  and  accumulation. 
This  paper  reports  on 
recently  completed  work 
on  a  selection  of  NHD 
subbasins  sampled  from 
automatically 
derived 
landscape types. General-
ization procedures for the 
NHD  rely  on  database 
enrichment  of  ancillary 
variables  (UDA  values, 
local  channel  densities, 
and attribution of contin-
uous centerlines) that sup-
Subbasin
CLC
CAC
 Pomme De Terre River, Missouri
0.792
0.719
G  Lower Cimarron River, Oklahoma
0.830
0.623
Table 2. Subbasin metrics compared for two physiographi-
cally similar subbasins, processed with a single processing 
sequence.
Figure 10. Gridded CLC (a) and 
CAC (b) metrics for subbasin 
G comparing the 50K LoD with 
the 100K NHD benchmark. 
Lower length correspondence 
is found near the subbasin pour 
point where artificial paths 
do not match within large 
waterbodies.
299                                                                                                           Cartography and Geographic Information Science
port differential pruning and generalization. The 
CLC and CAC furnish simple, consistent meth-
ods to compare generalization results to bench-
mark data in a spatially distributed manner. As 
such, these metrics are effective tools for finding 
isolated  problems  and  refining  generalization 
procedures as needed.
Methods described in this paper are designed 
for  processing  hydrographic  data.  To  date, 
we  have  worked  with  roughly  two  dozen 
hydrographic subbasins  situated  in rural  areas. 
We are currently  testing the approach on two 
metropolitan  areas  to  identify  possible  issues 
caused by urban features, such as differentiating 
ditches and canals from natural stream channels, 
working with stream channel discontinuities, etc. 
Further research will apply regional hydrographic 
landscape  types  to  subbasins,  in  order  to 
derive,  through  modelling,  blended  processing 
sequences and parameters that maintain natural 
transitions  between  landscape  boundaries.   In 
addition, validation of generalization outcomes 
could be compared with DEM-derived streams 
for  completeness,  and  to  insure  that  total 
displacement  does  not  compromise  overall 
generalization objectives. One goal of the work 
reported here is to distribute the generalization 
and processing sequences in the form of an ESRI 
Arc  Toolbox,  and  software  development  will 
continue towards that goal in coming research.
ACKnowLEdgEMEntS 
This  research  is  supported  by  USGS-CEGIS 
grant #04121HS029, “Generalization and Data 
Modeling  for  New  Generation  Topographic 
Mapping”.  Thanks  to  Chris  Anderson-
Tarver,  Jeremy  Koontz  and  Ryan  Haney  for 
programming assistance.
REfEREnCES 
Anderson-Tarver, C., B.P. Buttenfield, L.V. Stan-
islawski and J.M. Koontz. 2011.  Automated 
delineation of stream centerlines for the USGS 
National Hydrography Dataset. In: Proceedings 
of   the  25th  International  Cartographic  Conference 
(ICC2011), Paris, France.
Bobzien, M., D. Burghardt,  I. Petzold, M. Neun 
and  R.  Weibel.  2008.  Multi-representation 
databases with explicitly modeled horizontal, 
vertical, and update relations. Cartography and 
Geographic Information Science 35(1): 3-16. 
Brewer, C. A., B.P. Buttenfield, and E.L. Usery. 
2009. Evaluating generalizations of hydrogra-
phy in differing terrains for The National Map 
of the United States. In: Proceedings of the 24th 
International  Cartographic  Conference  (ICC2009), 
Santiago, Chile.
Burghardt, D. and M. Neun. 2006. Automated 
sequencing  of  generalization  services  based 
on collaborative filtering. In: Proceedings of  the 
4th International Conference on Geographic Informa-
tion  Science  (GIScience’2006),  Muenster,  Ger-
many, 28: 41-46.
Buttenfield,  B.P.,  L.V.  Stanislawski  and  C.A. 
Brewer.  2010.  Multiscale  representations  of 
water: Tailoring generalization  sequences  to 
specific physiographic regimes. Short Abstract. 
In: Proceedings of the 6th International Conference 
on Geographic Information Science (GIScience’2010), 
Zurich, Switzerland.
Buttenfield,  B.P.  and  C.  Frye.  2006.  The  fal-
lacy of the “golden feature” in MRDBs: Data 
modeling versus integrating new anchor data. 
In: Proceedings of the 11th ICA Workshop on Gen-
eralisation  and  Multiple  Representation,  Portland, 
Washington.  Online:  http://aci.ign.fr/Port-
land/paper/ICA2006-Buttenfield.pdf. (accessed 8 
March 2011).
Carlston, C.W. 1963. Drainage density and stream-
flow. Physiographic and Hydraulic Studies of  Rivers. 
United States Geological Survey Professional 
Paper 422-C.
Cecconi, A., R. Weibel and M. Barrault. 2002. 
Improving  automated  generalization  for  on-
demand web mapping by multiscale databases. 
In: Proceedings of the International  Symposium  on 
Geospatial  Theory,  Processing,  and  Applications, 
Ottawa, Canada.
Chaudhry,  O.  and  W.A.  Mackaness.  2008a. 
Automatic identification of urban settlement 
boundaries for multiple representations data-
bases. Computers, Environment and Urban Systems 
32: 95-109.
Chaudhry,  O.,  and  W.A.  Mackaness.  2008b. 
Partitioning  techniques  to  make  manageable  the gen-
eralization of  national spatial datasets. 11th ICA 
Workshop  on  Generalisation  and  Multiple 
Representation, Montpellier, France.  Online: 
http://aci.ign.fr/montpellier2008/papers/21_
Chaudhry_Mackaness.pdf  (accessed  8  March 
Vol. 38, No. 3                                                                                                                                                          300 
Robinson, A.H., J.L. Morrison, P.C. Muehrcke, 
A.J. Kimerling and S.C. Guptill. 1995. Elements 
of  Cartography, 6th edition. New York: John Wiley 
& Sons.
Schmidt,  J. and  R.  Andrew.  2005. Multi-scale 
landform characterization. Area 37(3): 341-350.
Slocum, T.A., R.B. McMaster, F.C. Kessler and 
H.H. Howard. 2009. Thematic Cartography and 
Geovisualization, 3rd edition. Upper Saddle River, 
New Jersey: Pearson/Prentice Hall.
Stanislawski,  L.V.  2009.  Feature  pruning  by 
upstream drainage area to support automated 
generalization of the United States National 
Hydrography  Dataset.  Computers,  Environment 
and Urban Systems 33(5): 325-333.
Stanislawski,  L.V.,  B.P.  Buttenfield,  and  V.A. 
Smaranayake.  2010,  Generalization  of  hydro-
graphic  features  and  automated  metric  assessment 
through  bootstrapping.  12th  ICA  Workshop  on 
Generalisation  and  Multiple  Representation, 
Zurich,  Switzerland.  Online:  http://aci.ign.
fr/2010_Zurich/genemr2010_submission_11.pdf 
(accessed 8 March 2011).
Stanislawski, L.V., B.P. Buttenfield and M. Finn. 
2011. Integrating hydrographic generalization 
over multiple physiographic regimes. In: Pro-
ceedings of the Generalization and Data Integration 
Symposium (GDI 2010), Boulder, Colorado.
Stanislawski, L.V., B.P. Buttenfield, M. Finn and 
K.  Roth  2009.  Stratified  Database  Pruning 
to Support Local Density Variations in Auto-
mated  Generalization  of  the  United  States 
National Hydrography Dataset. In: Proceedings 
of  the International Cartographic Association Confer-
ence, Santiago, Chile. 
Stanislawski, L.V, M. Finn, E.L. Usery and M. 
Barnes. 2007. Assessment of a rapid approach 
for  estimating  catchment  areas  for  surface 
drainage lines. In: Proceedings of  ACSM-IPLSA-
MSPS, St. Louis, Missouri.
Tarboton,  D.G.,  R.L.  Bras  and  I.  Rodriguez-
Iturbe.  1992.  A  physical  basis  for  drainage 
density. Geomorphology 5(1992): 59-76.
Töpfer, F.,  and  W.  Pillewizer.  1966.  The  prin-
ciples of selection. The Cartographic Journal 3: 
10-16.
Touya,  G. 2008.  First  thoughts for the orches-
tration  of generalisation methods  on hetero-
geneous landscapes. In: Proceedings of the 11th 
ICA Workshop on Generalisation and Multiple Rep-
2011). 
Chaudhry, O. and W.A. Mackaness. 2008c. Cre-
ating mountains out of mole hills: Automatic 
identification  of  hills and ranges using mor-
phometric  analysis.  Transactions  in  GIS  12(5): 
567-589.
Cromley,  R.G.,  and  G.M.  Campbell.  1990.  A 
geometrically  efficient  bandwidth  line  sim-
plification algorithm. In: Proceedings of the 4th 
International Symposium on Spatial Data Handling, 
Zurich, Switzerland, 1: 77-84.
Deng,  Y.  2007.  New  trends  in  digital  terrain 
analysis: Landform definition, representation, 
and classification. Progress in Physical Geography 
31(4): 405-419.
Dent, B.D. 1999. Cartography, Thematic Map Design. 
5th edition. Boston: WCB/McGraw Hill.
Fathi, A. and J. Krumm. 2010. Detecting road 
intersections from GPS traces. In: Proceedings 
of  GIScience’2010, Zurich, Switzerland. LNCS 
6292: 56-69.
Fenneman, N.M. and D.W. Johnson. 1946. Physi-
cal Divisions of  the United States. Washington DC: 
USGS. Special map series, scale 1:7,000,000 
(polygon coverage derived from map at http://
water.usgs.gov/GIS/metadata/usgswrd/XML/
physio.xml, accessed 8 March 2011).
Fisher, P., J. Wood and T. Cheng. 2004. Where is 
Helvellyn? Fuzziness of  multi-scale landscape 
morphometry. Transactions of  the Institute of  Brit-
ish Geographers 29(1): 106-128.
Gaffuri,  J.  2007.  Outflow  preservation  of  the 
hydrographic  network on the  relief  in  map 
generalization. In: Proceedings of the 23rd Interna-
tional Cartographic Conference (ICC2005), Moscow, 
Russia.
Grohmann, C.H., M.J. Smith and C. Riccomini. 
2009.  Surface  roughness  of  topography:  A 
multi-scale analysis of landform elements in 
Midland Valley, Scotland. In: Proceedings of  Geo-
morphometry 2009, Zurich, Switzerland.
Montgomery,  D.R.  and  W.E.  Dietrich.  1989. 
Source  areas,  drainage  density, and channel 
initiation. Water Resources Research 25(8): 1907-
1918.
Reed,  J.C.  and  C.A.  Bush.  2005.  Generalized 
geologic map of the United States, Puerto Rico, and 
the UNITED STATES. Virgin Islands. United 
States  Geological  Survey.  http://pubs.usgs.gov/
atlas/geologic/  (accessed 8 March 2011).
301                                                                                                           Cartography and Geographic Information Science
resentation. Montpellier, France. Online: http://
aci.ign.fr/montpellier2008/papers/01_Touya.pdf 
(accessed 8 March 2011).
Touya, G., C. Duchêne and A. Ruas.  2010. Col-
laborative  generalization:  Formalisation  of 
generalisation knowledge to orchestrate differ-
ent cartographic generalization processes. In: 
Proceedings  of  GIScience  2010, Zurich, Switzer-
land.  Berlin: Springer LNCS 6292: 264-278.
Tucker,  G.E.  and  R.L.  Bras.  1998.  Hillslope 
processes,  drainage  density,  and  landscape 
morphology.  Water  Resources  Research  34(10): 
2751-2764.
UNITED STATES. Bureau of the Budget. 1947. 
United  States  National  Map  Accuracy  Standards. 
Washington DC: UNITED STATES. Bureau 
of the Budget.
USGS.  2000.  The  National  Hydrography  Dataset: 
Concepts and Contents. United States Geological 
Survey.  Online:  http://nhd.usgs.gov/chapter1/-
index.html (accessed 15 February 2011).
van  Oosterom,  P.  and  V.  Schenkelaars.  1995. 
The development of  an interactive multi-scale 
GIS. International Journal of Geographical Informa-
tion Systems 9(5): 489-507.
Wolock, D.M and G.J. McCabe. 1999. Estimates 
of runoff using water-balance and atmospheric 
general circulation models. Journal of the Ameri-
can Water Resources Association 35(6):1341-1350.
Wood, J. 1996. The Geomorphological Characterisation 
of  Digital Elevation Models. PhD thesis, Univer-
sity of Leicester, UK. Online: http://www.soi.
city.ac.uk/~jwo/phd// (accessed 8 March 2011).
About  the  Authors:  Barbara  P.  Buttenfield  is 
Professor  of  Geography  at  the  University 
of  Colorado  in  Boulder,  where  she  teaches 
cartography  and  GIScience.  She  directs  the 
Meridian Lab, a small research facility focusing on 
generalization, visualization and data modeling. 
She is a Past President of the Cartography and 
Geographic Information Society (CaGIS). 
Lawrence V. Stanislawski is a Research Cartographer 
at  the  U.S.  Geological  Survey’s  Center  of 
Excellence for Geospatial Information  Science 
located in Rolla, Missouri. His current research 
is focused on generalization, high performance 
computing, and data integration. 
Cynthia Brewer is a professor in the Department of 
Geography at The Pennsylvania State University 
and  Director  of  the  Gould  Center  in  the 
department. She teaches courses in cartography 
and studies GIS-based multiscale mapping and 
advanced cartographic design.
T
he  U.S.  Geological  Survey  (USGS) 
produces  geospatial  databases  and 
topographic maps for the United States 
of  America.  A  part  of  that  mission  includes 
conducting research in geographic information 
science  (GIScience)  and  cartography  to 
support  mapping  and  improve  the  design, 
quality, delivery, and use of geospatial data and 
topographic  maps.  The  Center  of  Excellence 
for  Geospatial  Information  Science  (CEGIS) 
was established by the USGS in January 2006 
as a part  of the National Geospatial Program 
Office. CEGIS (http://cegis.usgs.gov) evolved from 
a team of cartographic researchers at the Mid-
Continent Mapping Center. The team became 
known as the Cartographic Research group and 
was supported by the Cooperative Topographic 
Mapping, Geographic Analysis and Monitoring, 
and  Land  Remote  Sensing  programs  of  the 
Geography Discipline of the USGS from 1999-
2005. In 2006, the Cartographic Research group 
and  its  projects  (http://carto-research.er.usgs.gov/) 
became the core of CEGIS staff  and research. 
In  2006, CEGIS research  became  focused on 
The National Map (http://nationalmap.gov). 
With the establishment of CEGIS, the USGS 
took  advantage  of  an  existing  contract  with 
the  National  Research  Council  (NRC)  of  the 
American  National  Academy  of  Sciences  to 
develop A Research Agenda for Geographic Information 
Science at the U.S. Geological Survey (http://books.nap.
The U.S. Geological Survey Cartographic and 
Geographic Information Science Research Activities 
2006 – 2010 
E. Lynn Usery
Contributions to this report were made by Cynthia Brewer, Barbara Buttenfield, Keith Clarke, 
Michael P. Finn, Steve Helterbrand, Barbara Poore, Thomas Shoberg, Larry Stanislawski, and 
Dalia Varanka.
Cartography and Geographic Information Science, Vol. 38, No. 3, 2011, pp. 302-309
edu/catalog.php?record_id=12004)  (NRC,  2007). 
The NRC completed and published the report 
in December 2007. The research agenda in the 
NRC report then became the basis for CEGIS 
research  to  support  The  National  Map  and 
advance the National Spatial Data Infrastructure 
(NSDI) of the United States. Initiation in 2008 
of the research recommendations of the NRC 
was facilitated by the fact that several ongoing 
CEGIS research projects were identified as short-
term (2 to 4 years)  high priority by  the NRC. 
These  include developing an  ontology for The 
National  Map,  automated  data  integration  and 
generalization.  The  NRC  also  recommended 
additional  high  priority  short-term  projects 
including  User-Centered  Design  for  Web 
Map  Services  and  Design  of  an  Electronic 
Topographic  Map.  Long  term  (4  to  8  years) 
projects  recommended  by  the  NRC  centered 
on developing ontology-driven, spatio-temporal, 
quality-aware, and transaction  processing data 
models. 
CEGIS Research Activities
Based on the NRC recommendations and other 
research  needs  for  The  National  Map identified 
within the USGS, CEGIS established six short 
term  inter-related  research  projects.  These 
projects  address  immediate  objectives  of 
The  National  Map  to  investigate  new  methods 
for  information  access  and  dissemination, 
automated data integration and generalization, 
and knowledge organization systems, which are 
E. Lynn Usery, United States Geological Survey, 1400 Independence 
Road, Rolla, MO 65401, USA. Email: <usery@usgs.gov>
DOI: 10.1559/15230406382302
Documents you may be interested
Documents you may be interested