Vairāk

Vai eksportējat gaisa attēlus no QGIS?


Skatījos apkārt, bet nevarēju atrast atbildi uz manu jautājumu, tāpēc šeit iet. Es mēģinu eksportēt dažus pienācīgas kvalitātes (300 dpi) gaisa attēlus no QGIS, izmantojot OpenLayers spraudni. Dažreiz tas darbojas, un tad dažreiz tas nedarbojas. Eksportēšana notiek ļoti labi, bet, pārejot uz failu, tas izskatās šādi.

Būtībā es vēlamo attēlu saņemu centrā, bet sānos un stūros tas ir uzlauzts raupjā ovālā formā, ar tuvinātu attēlu aizpildot atstarpes ap to.

Tas ir dīvaini.

Tas notiek neatkarīgi no tā, vai eksportēju kā JPG vai PDF, neatkarīgi no tā, vai drukāšanu pārbaudu kā rastru vai nē. Es atiestatīju projekta projekciju uz google antenas projekciju; tas nepalīdzēja. Iepriekš es domāju, ka izraisīju šo problēmu, mēģinot eksportēt par lielu vai ar pārāk augstu izšķirtspēju, bet tagad tas notiek visu laiku.

Vai ir kādas idejas, kāpēc tas notiek un kā to apiet?


Viens alternatīvs risinājums ir izmantot mobilo atlantu veidotāju (MOBAC)

http://mobac.sourceforge.net/

lai lejupielādētu gaisa attēlu elementus kā .png "> http://datagateway.nrcs.usda.gov/GDGOrder.aspx

(vai potenciāli no jūsu vietējās ĢIS ģeotelpiskās vārtejas), tad to varat saspraust Qgis un saglabāt kā .tif.


Kā ĢIS tiek izmantota nekustamajā īpašumā

Kas kopīgs ĢIS un nekustamajam īpašumam? Viņiem abiem ir ļoti liela nozīme atrašanās vietā. Nekustamā īpašuma profesionāļiem atrašanās vieta vienmēr ir viens no noteicošajiem faktoriem, kas ietekmē īpašuma vērtību. ĢIS lietotājiem atrašanās vieta ir ģeogrāfisko datu izcelsme. Atrašanās vietas precizitāte nosaka datu vērtību un to, kā tie tiks izmantoti. Sakarā ar abu šo priekšmetu kopīgo uzmanību GIS var izmantot kā vērtīgu instrumentu daudzās dažādās nekustamā īpašuma konvencijās. ĢIS un nekustamā īpašuma diskusijā ir daudz tēmu, taču daži no vispārīgākajiem uzdevumiem, kuriem tiek izmantota šī ģeotelpiskā tehnoloģija, ir īpašuma izpēte, tirgus analīze un telpiskā analīze.


Abstrakts

Dažu pēdējo gadu laikā krasi pieaudzis bezpilota lidaparātu (UAV) izmantojums vides kartēšanai un novērošanai. Daudzas personas un organizācijas ir iegādājušās patērētājiem paredzētus UAV, un, lai kartētu zemes segumu, tās parasti iegādājas aerofotogrāfijas. Rezultātā iegūtās īpaši augstas izšķirtspējas (apakšdecimetra izšķirtspējas) attēliem ir augsts informācijas saturs, taču automatizēt šīs informācijas iegūšanu, lai izveidotu precīzas, no zemes līdz sienai zemes pārklājuma kartes, ir diezgan grūti. Mēs ieviešam attēlu apstrādes darbplūsmas, kuru pamatā ir atvērtā pirmkoda programmatūra un kuras var izmantot zemes seguma karšu veidošanai no īpaši augstas izšķirtspējas gaisa attēliem. Attēlu klasificēšanai mēs salīdzinājām četras mašīnmācīšanās darbplūsmas. Divas darbplūsmas tika balstītas uz nejaušiem meža algoritmiem. No tiem viens izmantoja ilastik pieejamo pikseļu pa pikseļu pieeju, bet otrs izmantoja attēlu segmentus un tika ieviests ar R un Orfeo ToolBox. Divās pārējās darbplūsmās tika izmantoti pilnībā savienoti neironu tīkli un konvolucionālie neironu tīkli, kas ieviesti ar Nenetic. Mēs izmantojām četras darbplūsmas aerofotogrāfijām, kas iegūtas Lielajā baseinā (ASV rietumos) lidojuma augstumā 10 m, 45 m un 90 m virs zemes līmeņa. Mūsu galvenā vāka tips bija cheatgrass (Bromus tectorum), nevietējā invazīvā zāle, kas maina reģionālo uguns dinamiku. Visprecīzākā darbplūsma, lai klasificētu īpaši augstas izšķirtspējas attēlus, ir atkarīga no dažādiem faktoriem, kurus ietekmē attēla izšķirtspēja un zemes seguma īpašības, piemēram, kontrasts, ainavas modeļi un klasificēto zemes segumu tipu spektrālā faktūra. Mūsu lietojumam ilastik darbplūsma nodrošināja visaugstāko kopējo precizitāti (0,82–0,89), ko novērtēja ar pikseļiem balstītu precizitāti.


Satelīta datu izjūta, atvērtā koda darbplūsma: Datu sašūšana ar QGIS

Ne visi satelīta dati ir formatēti tāpat kā Landsat un Sentinel-2 - daudzi komerciālie avoti datus nodrošina vienā failā ar vairākām joslām, nevis vienā joslā failam. Viens piemērs ir Planet augstas izšķirtspējas SkySat dati. Pie 80 cm uz pikseļu SkySats parāda daudz asāku informāciju nekā esošie nekomerciālie dati, tāpēc ar to ir jautri strādāt.

Planet ir sniegusi dažus datu paraugus, ja iesniedzat kontaktinformācijas veidlapu (neuztraucieties, mēs nekožam), tāpēc dodieties uz priekšu un paņemiet dažus - es izvēlējos Bostonu - vietni OpenVisConf no 2013. līdz 17. gadam, taču izvēlieties. Ja nevēlaties reģistrēties, varat no Earth Explorer paņemt nedaudz NAIP datu elementu.

Vai jums ir jūsu dati? Labi. Sāksim.

Atveriet QGIS (es sniedzu dažus instalēšanas padomus 2. daļā) un pievienojiet jaunu rastra slāni: Layer → New Layer → Add Raster Layer ... Noklikšķiniet uz pogas teensy-tiny…, lai atvērtu sistēmas atvērta faila dialoglodziņu, dodieties uz saviem datiem (It ' Ja lejupielādējāt Bostonas attēlus, būšu skysat-augstas izšķirtspējas-paraugpilsētās / pansharpened. Jābūt 13 atsevišķiem TIFF.) un atlasiet visus failus, kas beidzas ar pansharp.tif. Visbeidzot, noklikšķiniet uz Pievienot.

Tas ielādēs datus QGIS projektā, un viss būs pareizi novietots. [QGIS ir ģeogrāfiskās informācijas sistēma (tieši tāpat, kā teikts uz skārda), tāpēc faili tiek izvietoti ne tikai attiecībā pret otru, bet arī attiecībā pret pasauli, lai jūs varētu apvienot dažāda veida datus, ja vēlaties.] Tāpat kā:

Huh. Droši vien ne tas, ko jūs gaidījāt. Šeit notiek divas lietas.

  1. Katru ainu (SkySat dati tiek pasniegti kā atsevišķas ainas, kas kopā veido kolekciju) QGIS atsevišķi izvelk kontrastu. Tas nozīmē, ka tumšākie un gaišākie pikseļi katrā atsevišķā datu daļā tiek parādīti kā melnbalti, nevis tumšākie un gaišākie pikseļi no visas kolekcijas. Tas piešķir savārstījuma izskatu.
  2. Joslas ir nepareizā secībā. Pēc vienošanās satelīta dati tiek sakārtoti no īsākā viļņa garuma līdz garākajam, bet attēlu faili tiek sakārtoti sarkanā, zaļā, zilā krāsā.

Es iesaku vispirms apvienot atsevišķas ainas, kas ļauj konsekventi izstiept datus. Atlasiet Rasteris → Dažādi → Apvienot, kas atver vēl vienu dialoglodziņu:

Izmantojot noklusējuma iestatījumus, vienīgais, kas jums būs jāmaina, ir izvades datu tips, kas jāiestata no Float 32 uz UInt16. Tāpat kā Sentinel-2 un Landsat 8, arī SkySat dati ir 16 biti uz pikseļu, un tiem nav negatīvu vērtību (kāds ir negatīvs spilgtums?), Tāpēc tie tiek glabāti kā neparakstīti 16 bitu dati. (Parakstītas datu kopas piemērs varētu būt digitālais augstuma modelis, kuram var būt negatīvas vērtības reģioniem, kas atrodas zem jūras līmeņa.) Pārliecinieties, ka katrs ievades fails atsevišķā joslā netiek pārbaudīts. Atkal blakus pogai Input Layers ir pusaudzis niecīgs… noklikšķiniet uz tās, pēc tam nospiediet Atlasīt visu un Labi, lai (tautoloģiski) atlasītu visas ainas. Pabeigt ar Run in Background.

Kad QGIS pabeidz apstrādāt dialoglodziņu Aizvērt, un projekta logā jums vajadzētu redzēt apvienotos datus - tagad bezšuvju. Jums var būt nepieciešams paslēpt (noņemt atzīmi) no atsevišķām ainām, lai redzētu apvienoto kolekciju.

Nokļūšana. Ar peles labo pogu noklikšķiniet uz Apvienot, atlasiet Rekvizīti un pēc tam Stils, lai atvērtu dialoglodziņu Slāņa rekvizītu stils, kuram vajadzētu izskatīties labi, ja izlasāt 2. daļu.

Šis SkySat datu aromāts nav kalibrēts, tāpēc jūs nevarat vienkārši mērogot starp zināmiem daudzumiem, piemēram, pēdējo reizi. Tā vietā izmantojiet QGIS automātiskās izstiepšanas funkciju. Izvērsiet Min / max vērtības iestatījumus, lai atklātu pielāgoto izstiepumu opcijas. Kumulatīvais skaita samazinājums ļaus jums izvēlēties, kā tumšākie un spilgtākie datu punkti ir saistīti ar melnbalto atveidotajā attēlā. Noklusējuma vērtības 2% un 98% padarīs tumšākos divus procentus pikseļu melnus un spilgtākos divus procentus pikseļu baltā krāsā, kas izmet daudz datu. Es parasti izvēlos kaut ko līdzīgu 0,1% un 99,9%. Vai pat vienkārši atlasiet opciju Min / max. Labam nolūkam iestatiet precizitāti uz faktisko (lēnāk), jo mūsdienu datori ir diezgan ātri.

Tā kā jūs turpināsiet apstrādāt datus ārpus QGIS, vislabāk ir, ja melnā un baltā vērtība trim kanāliem ir saskaņota, tāpēc iestatiet melno vērtību uz minimālo vērtību trīs un balto - uz maksimālo. Visbeidzot, mums ir jāpārslēdz joslas - iestatiet sarkano joslu no 1. joslas uz 3. joslu, atstājiet zaļo joslu kā 2. joslu un iestatiet zilo joslu no 3. joslas uz 1. joslu. Pagaidām ignorējiet 4. joslu - kas ir gandrīz infrasarkanie dati. Atkarībā no precīzajiem izvēlētajiem iestatījumiem redzēsiet apmēram šādu tekstu:

Tāpat kā ar Sentinel datiem, ar peles labo pogu noklikšķiniet uz Apvienot (vai dodieties uz Layer → Save as) un pēc tam iestatiet Output mode uz Rendered image (tas eksportē QGIS attēloto mērogoto attēlu, nevis sākotnējos 16 bitu datus), Formatēt uz GeoTIFF ( kurai vajadzētu būt noklusējuma), un norādiet faila nosaukumu.

Eksportētais fails tagad ir gatavs importēšanai GIMP, Photoshop vai izvēlētajā fotoattēlu redaktorā.

Pirms pāreju uz attēlu apstrādi, es parādīšu, kā izveidot nepatiesu krāsu attēlu - aizstājot sarkanā kanāla datus ar gandrīz infrasarkano staru datiem, sarkanu līdz zaļu un zaļu līdz zilu. (Pēc vienošanās un pēc krāsainas infrasarkanās fotografēšanas nepatiesas krāsas attēlā garākais viļņa garums ir sarkans, vidējā viļņa garums ir zaļš un īsākais ir zils.) Dialoglodziņā Stils iestatiet Sarkanā joslā 4, Zaļajā - 3. joslā un Zilajā - 2. joslā. kas izskatās šādi:

Dīvaini (koki ir spilgti sarkani), bet noderīgi, ja pētāt veģetāciju vai ūdeni.

Tad labi - tagad jums jābūt gatavam pielikt pēdējos pieskārienus saviem datiem, kurus es aprakstīšu 4. daļā Krāsu korekcija ar GIMP.


  • Izstrādāta lietotājam draudzīga programmatūra, lai no ortomozas attēliem iegūtu zemes gabala līmeņa rezultātus.
  • Augu audzes skaitu var novērtēt, pamatojoties uz ūdensšķirtnes transformāciju.
  • Kartupeļu gatavību ticamāk novērtēja, izmantojot attālo uzrādi, nevis vizuālo vērtējumu.


Vai eksportējat gaisa attēlus no QGIS? - Ģeogrāfiskās informācijas sistēmas

Visi MDPI publicētie raksti ir nekavējoties pieejami visā pasaulē ar atvērtas piekļuves licenci. Lai atkārtoti izmantotu visu MDPI publicēto rakstu vai tā daļu, ieskaitot attēlus un tabulas, nav nepieciešama īpaša atļauja. Rakstiem, kas publicēti ar brīvpiekļuves Creative Common CC BY licenci, jebkuru raksta daļu var atkārtoti izmantot bez atļaujas, ja ir skaidri norādīts oriģināls.

Feature Papers ir vismodernākais pētījums ar ievērojamu potenciālu, lai šajā jomā būtu liela ietekme. Rakstus par zinātniskajiem redaktoriem iesniedz pēc individuāla uzaicinājuma vai ieteikuma, un pirms publicēšanas tie tiek salīdzināti.

Feature Paper var būt vai nu oriģināls pētniecības raksts, nozīmīgs jauns pētījums, kas bieži ietver vairākas metodes vai pieejas, vai arī visaptverošs pārskata dokuments ar kodolīgiem un precīziem atjauninājumiem par jaunākajiem sasniegumiem šajā jomā, kas sistemātiski pārskata aizraujošākos sasniegumus zinātnes jomā. literatūra. Šis papīra veids sniedz ieskatu turpmākajos izpētes virzienos vai iespējamās lietojumprogrammās.

Redaktora Choice raksti ir balstīti uz MDPI žurnālu zinātnisko redaktoru ieteikumiem no visas pasaules. Redaktori izvēlas nelielu skaitu nesen žurnālā publicētu rakstu, kuri, viņuprāt, būs īpaši interesanti autoriem vai svarīgi šajā jomā. Mērķis ir sniegt momentuzņēmumu par dažiem aizraujošākajiem darbiem, kas publicēti dažādās žurnāla pētniecības jomās.


Tālāk ir norādītas darbības, lai QGIS veiktu ģeoreferences rastra attēlu karti.

1.) Atveriet QGIS un importējiet attēlu karti, izmantojot QGIS ADD RASTER LAYER.

2.) Mums jāatrod kontrolpunkts un zināmās ģeolokācijas koordinātas. ES dodu priekšroku Google kartes lai iegūtu platuma un garuma vērtības.

Dodieties uz google map un meklējiet vietu, kas tajā atbilst jūsu attēla kartes atrašanās vietai. Google kartē atlasiet punktu, kas atbilst jūsu kartei. Varat arī pārslēgties uz satelīta skatu. Izvēlieties punktu, piemēram, jebkuru zemes zīmes vietu, kā jums ērtāk. Ar peles labo pogu noklikšķiniet uz šī punkta Google Map un noklikšķiniet uz kas te ir jūs redzēsiet, ka tas parādīs punkta platumu un garumu.

3.) Vispirms tiek ierakstīts platums, bet otrais - garums. Paziņojiet arī (-) zīmi (ja tāda ir). Pierakstiet punktus. Tāpat atlasiet vismaz 4 punktus dažādos virzienos un pierakstiet to platumu un garumu.

4.) Pārejot uz rīku QGIS, ar peles labo pogu noklikšķiniet uz slāņa Rasteris un noklikšķiniet uz Noņemt.

5.) Tagad dodieties uz Georeferencer, to atradīsit cilnē Raster, ja jau esat instalējis georeferencer spraudni. Ja opcija nav redzama, noklikšķiniet uz Spraudņi un pēc tam atlasiet Pārvaldīt un instalēt spraudņus. Meklējiet ģeoreferentu un instalējiet to pašu, kā parādīts zemāk.

6.) Importējiet savu karti šeit un noklikšķiniet uz Pievienot punktus. Šeit varat panoramēt un tuvināt.

7.) Noklikšķiniet uz kartes atrašanās vietas, kuru esat izvēlējies google kartē kā kontrolpunktus. Tiks parādīts logs, kurā pieprasītas X, Y vērtības. Ievietojiet garuma vērtību X un platuma vērtību Y.

8.) Tāpat kā gudri, pievienojiet visus punktus. Atveriet sadaļu Iestatījumi un noklikšķiniet uz Transformācijas iestatījumi.

9.) Atlasiet jebkuru transformācijas veidu un norādiet izvades rastra nosaukumu.

10.) Kad esat pabeidzis, noklikšķiniet uz ielādēt kartes audeklā vai, ja esat aizmirsis to izdarīt, varat importēt ģeoreferencēto karti no vietas, kur to saglabājāt. Kartes paplašinājums būs .GeoTiff.

11.) Atlasiet CRS WGS: 84, jo mēs izmantojam platumu un garumu.

12.) Tagad noklikšķiniet uz Sākt ģeoreferences simbolu, kā parādīts zemāk:

13.) Aizveriet ģeoreferentu. Jūs redzēsiet audeklā ģeoreferencētu attēlu. Ievērojiet koordinātas.

Es ceru, ka šis raksts jums noderēs, lai uzzinātu pamatus, kā ģeoreferencēt rastra attēlu ar vadības punktu palīdzību. Jums rodas problēmas, veicot procesu komentārs zemāk, lai mēs varētu par to apspriesties.


Lauksaimniecības bezpilota lidaparātu attālās uzrādes analīze

Lauksaimniekiem ir vairāk prasību par kultivēšanas pabeigšanu. Attālā uzrāde ir liela tehnoloģija, lai samazinātu šo prasību. Tagad mums ir nepieciešama organisko izsmidzināšanas sistēma ar zemām izmaksām. Mums ir divas metodes, vispirms viens kvantu ģeogrāfiskās informācijas sistēmas (QGIS) neironu tīkla algoritms un otra globālā pozicionēšanas sistēma (GPS) ar dronu. Šajā rakstā aprakstīta bezpilota lidaparātu attālās uzrādes analīze, izmantojot normalizētās veģetācijas indeksa (NDVI) / Tuvo infrasarkanās joslas (NIR) sensoru lauksaimniecības zemes multispektrālā skatījumā. NIR un NDVI attēliem bija ūdens satura un precizitātes vērtības, kas tiek sajauktas, pārvaldot ūdens resursus. Lai izveidotu augsta blīvuma attēlus, tiek ielādēti NDVI sensori. Reālā laika monitorings kopā ar NIR attēlveidošanu ģeometriski un radiometriski pielāgots temperatūras mērīšanai. Pārbaudīto datu analīzei tika izmantoti multispektrālie un hiperspektrālie skati. Augu audzēšanai standarta apūdeņošanas līmenis ir 60%. Apūdeņošanas paņēmieni sekoja auga apstrādei ar nepārtrauktiem datiem sekundē. Īstenotais skats koncentrējās tikai uz augu padziļinātas apūdeņošanas augšanas kontrolēšanu starp 30 un 90 cm ar 60% novirzi. NDVI, zaļās normalizētās starpības veģetācijas indekss (GNDVI), augsnes spilgtuma indekss (SBI), zaļās veģetācijas indekss (GVI), dzeltenās veģetācijas pakāpes pakāpe (YVI), slāpekļa pietiekamības indekss (NSI), perpendikulāra veģetācijas indekss (PVI), transformēta veģetācija indekss (TVI), augsnes koriģēts veģetācijas indekss (SAVI) un veģetācijas apstākļu indeksa (VCI) veģetācijas indeksi tiek izmantoti augu augšanas kontroles korelācijai ar lapu izturības pārvaldību, un importa pitonu paketes parāda veģetācijai dažādas reāllaika vērtības QGIS. Augu augšanas korelācija lpp ≤0.01, r = 0,77 un - 0,77 ar vadītspēju. Tas mēra pakāpi un demonstrēja GPS skatu, izmantojot apūdeņošanas paņēmienus, lai kontrolētu ūdens stresu. To izmantoja, lai novērtētu lapu vadītspējas koeficientu ar atmosfēras izmaiņām. Tas var aprēķināt reālā laika lapu stresa analīzi. Šis ziņojums sniedza bezpilota lidaparātu apsekojuma analīzi par komposta procentuālo daudzumu un lauksaimniecības zemes veģetācijas rādītājiem.

Šis ir abonementa satura priekšskatījums, piekļuve caur jūsu iestādi.


Kodex

Šodien es parādīšu darbplūsmu, ar kuru es strādāju, kur es izvadīju datus no QGIS un renderēju tos 3D ar Blender. Es to izmantoju, lai grafiski vizualizētu analīzes rezultātus, un šajā ziņojumā vispirms tiks parādīti tā piemēri, pēc tam darbplūsmas izlaišana.

Ja neesat pazīstams ar Blender, tas ir ļoti spēcīgs 3D modelēšanas pakotne, kas ir arī bezmaksas un atvērta pirmkoda. Jūs to varat lejupielādēt un apskatīt dažus no tā iespējām vietnē www.blender.org.

[Rediģēt 2013. gada 15./1.]

Zvanīja kolēģis DomLysz man nosūtīja pastu par blenderi, ko viņš izveidoja blenderim, kas ļauj tieši importēt šablonus un ģeorastrus. Tas padara zemāk aprakstīto procesu daudz gludāku, iespējams, izgriežot visus preparātus QGIS. Pašlaik to varat atrast šeit.

[Rediģēt 2012. gada 3. decembri]

Man pārsteidza, ka, iespējams, man vajadzētu ieviest arī QGIS, ja jūs vienkārši uzdurāties šai ziņai. QGIS jeb Quantum GIS ir bezmaksas, atvērtā koda ģeogrāfiskās informācijas sistēma, kas ir līdzvērtīga tādām komerciālām paketēm kā ArcGis. Plašāka informācija un lejupielāde ir pieejama vietnē www.qgis.org.

Pirmais piemērs ir domu eksperimenta rezultāts. Patlaban esmu iesaistījies H & Aumlssleholm pilsētas ģenerālplāna izstrādē, un viens no apspriestajiem jautājumiem ir blīvums. Tāpat kā šodien, jaunbūve mēdz būt intensīva vienmāju apbūve, un mēs sākām domāt, kā tas izskatītos, ja tendence turpināsies. Tādējādi mēs ņēmām vērā iedzīvotāju skaita pieaugumu no pēdējiem 7 gadiem un prognozējām to nākotnē līdz 2030. gadam ar diviem scenārijiem: & ldquoJa šo iedzīvotāju skaita pieaugumu pārvēršam par atsevišķām mājām, kāda veida teritorija tam būtu nepieciešama, nevis risināšana ar blīvēšanu pilsētas centrs? & rdquo

Zemāk ir redzams, kā es vizualizēju rezultātu. Aplis ir 1 kilometra rādiusā no dzelzceļa stacijas. Noklikšķiniet, lai iegūtu lielākus attēlus.

4000 jauni iedzīvotāji vienvietīgās mājās

4000 jaunu iedzīvotāju ar blīvēšanas palīdzību

Šos attēlus ļoti novērtēja plānošanas personāls, citas nodaļas, kā arī politiķi, kuriem galu galā ir jāpieņem lēmumi par ģenerālplānu. Es domāju, ka 3D prezentācija labi noderēja šāda veida uzdevumu veikšanai, jo tas padarīja lietas mazliet taustāmākas cilvēkiem, kuri nav pieraduši lasīt kartes.

Otrais piemērs ir ātrs koncepcijas pierādījums DEM datu izmantošanai Blenderī. Ģeogrāfiskais pārklājums ir apgabals ap Marientālu un Hardap aizsprostu, Namībijā. Dati nāk no USGS Explorer.

Es vēlos precizēt, ka šīs darbplūsmas rezultāti nav domāti detalizētai analīzei. Tie ir domāti kā vizualizācijas palīgs analīzei, kas jau pabeigta QGIS, vai vienkārši parādot, piemēram, dažādus plānošanas priekšlikumus.

Īsumā tas, ko esmu izdarījis, izved savus vektora datus no QGIS izkārtojuma skata kā SVG un pēc tam savus rastra datus kā attēlus no tā paša skata. Eksportējot uz SVG, neatkarīgi no jūsu kartes funkcijām (piemēram, ēkām), QGIS izdod plakni, kas ir papīra izmēra tās & rsquo izkārtojuma skatā. Un, ja jūsu kartes skata punkts ir tāda paša izmēra kā papīrs, varat izmantot savu aerofoto, lai strukturētu šo plakni, un melnbaltu augstuma karti, lai to pārvietotu, lai iegūtu reljefa modeli.

Tātad būtībā jūs izvadāt trīs failus no viena un tā paša izkārtojuma skata (1) SVG, kas sastāv no jūsu vektora iezīmēm un fona plaknes, kas ir tāda paša izmēra kā skats, (2) aerofoto, ar ko teksturēt fona plakni, un (3) melnbaltu augstuma karti, ar kuru pārvietot šo plakni.

Es pieņemu, ka jūs labi pazīstat QGIS un Blender, tāpēc es katrā solī nebūšu ļoti detalizēts. Bet, ja jums rodas problēmas, lūdzu, sazinieties ar mani (informācija lapas apakšdaļā). Es arī pieņemu, ka jums ir QGIS projekts ar aerofoto rastru, DEM rastru un vektoru slāni ar, piemēram, ēkām.

Ja vēlaties, lai daži dati tiktu praktizēti, varat iegūt labus datus par augstumu un gaisa fotoattēlus no USGS Explorer un papildināt tos ar ēkām un ceļiem no OpenStreetMap (kuru QGIS ir lieliski rīki, lai lejupielādētu no kastes. Vienkārši atcerieties tos ieskaitīt, ja jūs kaut ko publicējat). Es izmantoju datus no darba (pilsētplānošanas birojs H & Aumlssleholm pašvaldībā, Zviedrija).

Ļaujiet & rsquos iziet cauri soļiem.

Vispirms aktivizējiet jaunu izkārtojuma skatu QGIS. Izveidojiet tajā jaunu karti un novietojiet to papīra stūrī. Es tikai ieslēdzu režģi un iesitu to stūrī. Tad izveidojiet to tāda paša izmēra kā papīrs, lai tas to perfekti pārklātu. Es tikko gāju ar noklusējuma A4, tāpēc es saņēmu 297 x 210 mm. Pārliecinieties, ka jūsu apjomi pilnībā atbilst jūsu reljefa rastram. Rezultātam vajadzētu izskatīties apmēram šādi:

Tagad izslēdziet visus slāņus, izņemot vektoru slāņus, un saglabājiet izkārtojumu kā SVG. Tagad izslēdziet visu, izņemot aerofoto, un saglabājiet izkārtojumu vēlreiz, bet šoreiz kā attēlu (es izmantoju PNG). Atkārtojiet to augstuma kartei. Pārliecinieties, vai esat parādījis augstuma karti pelēktoņos un vai esat izstiepis tā kontrastu starp min un max vērtībām. Pārliecinieties, ka saglabājat bitu kartes faila ceļā bez dīvainām rakstzīmēm (piemēram, & ouml), pretējā gadījumā tās neparādīsies (kļūda Blender 1.63). Rezultātiem vajadzētu izskatīties šādi:

Vektoru slāņi, kurus saglabāt kā SVG

Aerofoto, lai saglabātu kā bitkarti

Reljefa modelis ar kontrastu, kas izstiepts līdz min un max vērtībām, saglabājiet kā bitkarti

Tagad ieslēdziet Blenderu. Sagatavojieties, nomainot renderēšanas dzinēju uz Cycles un atverot UV redaktoru. Pēc tam importējiet izveidoto SVG. Atlasiet visus objektus un iestatiet Origin uz Geometry (Blender importē visus SVG objektus ar to izcelsmi origo). Jūs ievērosiet, ka patiesībā QGIS ir izveidojušas trīs fona plaknes. Mums ir nepieciešams tikai viens no šiem, tāpēc noņemiet pārējos divus. Rezultātiem vajadzētu izskatīties šādi (ieslēgta stiepļu rāmju renderēšana, lai parādītu izplatītās izcelsmes vietas):

Tagad pārveidojiet fona plakni par sietu (Alt + C). Pārejiet uz rediģēšanas režīmu, atlasiet plaknes seju un atveriet savu bitkarti ar iepriekš saglabāto aerofoto. Mainiet skatu tā, lai skatītos no augšas uz plakni, un atveriet plaknes UV izvēlni (nospiediet U). Izvēlieties & ldquoProject no skata (robežas) un rdquo. Jāizskatās apmēram šādi:

Noņemiet no sākotnējā faila importēto SVG materiāla maisītāju un pievienojiet jaunu materiālu ar gaisa fotoattēlu kā faktūru. Tam vajadzētu pareizi kartēt ar jūsu UV karti šādi:

Pēc tam pievienojiet plaknei Displace modifikatoru un pievienojiet to augstuma kartes attēlam. Pārliecinieties, vai modifikatorā esošās faktūras koordinātas ir iestatītas uz UV. Vienkārši izvēlieties UV karti, kuru izveidojāt aerofotogrāfijai (jo tām ir vienāds izkārtojums).

Tagad jūs vēlaties sadalīt plakni, lai pārvietotājam būtu dažas virsotnes, ar kurām strādāt. Acīmredzot, jo vairāk apakšnodaļu, jo labāk tas izskatīsies.

Pēc pārvietotāja pievienoju arī Smooth modifikatoru. Pakavējieties ar izlīdzināšanas darbību skaitu un pārvietotāja izturību, līdz attēls atbilst jūsu vajadzībām (atcerieties, ko es teicu par to, ka to nevar izmantot, lai veiktu precīzus telpiskos aprēķinus? Jā un ellē)

Kad esat apmierināts ar reljefu, ir pienācis laiks pievērst uzmanību ēkām. Lai vienkāršotu lietas, atlasiet visas ēkas un apvienojiet tās vienā objektā (Ctrl + J). Pēc tam ēkas objektam pievienojiet modeli Shrinkwrap un norādiet to uz reljefa objektu. Pārvietojiet ēku izcelsmi pēc iespējas tuvāk reljefa virsmai un pielieciet modifikatoru. Tagad jūs varat vienkārši izspiest ēkas (kas joprojām ir līknes). Jāizskatās šādi (vadu rāmja režīmā):

Saraušanās ietīšana lieliski darbojas arī ceļa slāņos, vienkārši izmantojiet īsu taisnu līkumu kā ceļa līknes objekta ekstrūzijas objektu.

Visbeidzot, iestatiet kameru un apgaismojumu un renderējiet attēlu. Šeit & rsquos mans rezultāts:

Modelis, ko izveidoju šai apmācībai, ir diezgan neapstrādāts, taču ar nelielu izsmalcinātību tie var izskatīties ļoti labi. Acīmredzot ir miljons veidu, kā to izdarīt, un es iesaku eksperimentēt (un, ja atrodat labākus veidus, kā iegūt datus no QGIS Blenderī, lūdzu, dariet man zināmu!).

[Rediģēt 2012. gada 3. decembri]

Atgriezos pie tā, kad vēlējos parādīt alternatīvu vizualizācijas metodi. Zemāk redzamajā attēlā es izmantoju krāsu karti, kuras pamatā ir augstums, nevis aerofoto, un padarīju modeli smalkgraudaināku.

Es arī gribētu pievienot divus komentārus. Pirmkārt, es gribētu vienkārši atzīmēt, ka, ja kāds QGIS izstrādātājs lasa, būtu ļoti forši, ja QGIS varētu automātiski izpildīt iepriekš minēto procesu, izvadot 3D failu ar teksturētu sietu, pamatojoties uz DEM + aerofoto. Tikai nedaudz priekšmetu vēlmju sarakstam.

Otrkārt, es vēlos norādīt, ka Blender ir ļoti vienmērīgs eksports uz Unity 3D dzinēju, tāpēc būtu ļoti viegli šādi pārveidot šādu modeli interaktīvā vidē. Varbūt kaut ko vēlākam post & hellip


Vai eksportējat gaisa attēlus no QGIS? - Ģeogrāfiskās informācijas sistēmas

Ģeogrāfiskās informācijas sistēmas (GIS)

Ievads ģeogrāfiskās informācijas sistēmās (ĢIS):
Vides zinātnes uzmanības centrā

Apraksts:
Šī darbnīca ir paredzēta dalībniekiem, kurus interesē vides zinātne un kuriem ir maz vai nav pieredzes ĢIS. Prezentācija ļaus jums uzzināt, kādām analīzēm var izmantot ĢIS, kā arī telpisko datu pamatstruktūrām. Pēc lekcijas sekosiet interaktīvam vingrinājumam, kas izstrādāts, lai iepazīstinātu jūs ar ArcGIS Desktop programmatūru, analizējot vides datus no Taho ezera apkārtnes.

Ņemiet vērā, ka semināri “Vides zinātnes fokuss” un “Kvotociālās zinātnes fokuss” ir gandrīz identiski, atšķirība ir tikai interaktīvo vingrinājumu uzmanības centrā.

  • Darba kārtība:
  • Prezentācija
    • Kas ir ĢIS?
    • Ģeotelpisko datu apsvērumi
    • Ģeogrāfiskā apstrāde un telpiskā analīze
    • Datu avoti
    • ArcGIS izmantošana
    • Piekļuve datiem ArcGIS
    • Datu pieprasīšana pēc atrašanās vietas un atribūtiem
    • Analīzes rīku izmantošana
    • Kartes izveidošana eksportēšanai

    Ievads ģeogrāfiskās informācijas sistēmās (ĢIS):
    Sociālo zinātņu uzmanības centrā

    Apraksts:
    Šī darbnīca ir paredzēta dalībniekiem, kurus interesē sociālās zinātnes un kuriem ir maz vai nav pieredzes ĢIS. Prezentācija ļaus jums uzzināt, kādām analīzēm var izmantot ĢIS, kā arī telpisko datu pamatstruktūrām. Pēc lekcijas sekosiet interaktīvam vingrinājumam, kas izstrādāts, lai iepazīstinātu jūs ar ArcGIS Desktop programmatūru, analizējot ielu un tautas skaitīšanas datus ap Bērklija pilsētu.

    Ņemiet vērā, ka semināri “Vides zinātnes fokuss” un “Kvotociālās zinātnes fokuss” ir gandrīz identiski, atšķirība ir tikai interaktīvo vingrinājumu uzmanības centrā.

    • Darba kārtība:
    • Prezentācija
      • Kas ir ĢIS?
      • Ģeotelpisko datu apsvērumi
      • Ģeogrāfiskā apstrāde un telpiskā analīze
      • Datu avoti
      • ArcGIS izmantošana
      • Piekļuve datiem ArcGIS
      • Datu pieprasīšana pēc atrašanās vietas un atribūtiem
      • Analīzes rīku izmantošana
      • Kartes izveidošana eksportēšanai

      Ievads ĢIS lauksaimniecībai:
      Rangeland Focus

      Apraksts:
      Šī darbnīca ir paredzēta dalībniekiem, kurus interesē diapazona lietojumprogrammas ar GIS, ar nelielu pieredzi ĢIS vai bez tās. Ievada prezentācija ļaus jums uzzināt, kādām analīzēm var izmantot ĢIS, kā arī telpisko datu pamatstruktūrām. Pēc šīs īsās lekcijas jūs sekosiet interaktīvam vingrinājumam, kas iepazīstinās jūs ar programmatūras izvēli (ArcGIS vai Quantum GIS), vienlaikus izmantojot bezmaksas un atvērtā pirmkoda tiešsaistes datus, lai analizētu un kartētu diapazonus Kalifornijas centrālajā ielejā.

      Ņemiet vērā, ka, lai gan darbnīcas “Lauksaimnieciskā uzmanība” prezentācija ir līdzīga semināriem “Vides zinātnes fokuss” un “Sociālās zinātnes fokuss”, interaktīvajā vingrinājumā tā vietā koncentrējas uz zemes seguma klasifikāciju un praktiskām metodēm lauksaimniecības piemērotības un / vai veselības novērtēšanai.

      Ievads atvērtā koda ĢIS:
      Darbs ar QGIS

      Apraksts:
      Šī darbnīca ir izstrādāta, lai iepazīstinātu ĢIS ar dalībniekiem ar nelielu pieredzi vai bez tās. Quantum GIS (QGIS), atvērtā koda ģeotelpiskās darbvirsmas lietojumprogramma, ir strauji attīstījusies un nesen ir sasniegusi 1.8 versiju. Tā lietošanas ērtums un pieejamība (pieejama PC, Mac un Linux platformām) ir izveidojusi spēcīgu un aktīvu lietotāju kopienu. Šajā darbnīcā mēs izpētīsim QGIS pamata funkcionalitāti, lai jūs varētu ātri uzzināt, kā ielādēt un formatēt vektoru un rastra datus, rediģēt shapefiles un vaicājumu atribūtus.

      • Darba kārtība:
      • Prezentācija
        • Kas ir ĢIS?
        • Ģeotelpisko datu apsvērumi
        • Ģeogrāfiskā apstrāde un telpiskā analīze
        • Datu avoti
        • Izmantojot QGIS 2.0
        • Piekļuve datiem QGIS
        • Datu pieprasīšana pēc atrašanās vietas un atribūtiem
        • Analīzes rīku izmantošana
        • Kartes izveidošana eksportēšanai

        Ievads ģeogrāfiskās informācijas sistēmās (ĢIS):
        Lauksaimniecība

        Apraksts:
        Šī darbnīca ir paredzēta dalībniekiem, kuri interesējas par lauksaimniecību un kuriem ir maz vai nav pieredzes ĢIS. Prezentācija ļaus jums uzzināt, kādām analīzēm var izmantot ĢIS, kā arī telpisko datu pamatstruktūrām. Pēc lekcijas sekosiet interaktīvam vingrinājumam, kas izstrādāts, lai iepazīstinātu jūs ar ArcGIS Desktop programmatūru, analizējot lauksaimniecības datus no Kalifornijas Centrālās ielejas.

        Ņemiet vērā, ka, lai gan semināra & quotagricultural focus & quot semināru prezentācija ir līdzīga semināru „vides zinātnes fokuss” un „sociālās zinātnes fokuss” prezentācijām, interaktīvajā vingrinājumā tā vietā koncentrējas uz zemes seguma klasifikāciju un praktiskām metodēm lauksaimniecības piemērotības un / vai veselības novērtēšanai.

        • Darba kārtība:
        • Prezentācija
          • Kas ir ĢIS?
          • Ģeotelpisko datu apsvērumi
          • Ģeoprocesēšana un telpiskā analīze ar rastra matemātiku
          • Datu avoti
          • ArcGIS 10.2 izmantošana
          • Piekļuve datiem ArcGIS
          • Datu pieprasīšana pēc atrašanās vietas un atribūtiem
          • Analīzes rīku izmantošana zemes seguma klasifikācijai
          • Izmantojot rastra kartes algebru
          • Zonālās statistikas aprēķināšana
          • Kartes izveidošana eksportēšanai

          Darbs ar rastra datiem R.

          Apraksts:

          Šajā darbnīcā tiks iepazīstināti ar pamatiem darbā ar ģeotelpiskajiem rastra datiem R, ieskaitot galvenos R pakotnes darbam ar telpiskajiem datiem (ieskaitot sf, sp un rastru). Šajā seminārā tiek pieņemta zināma pamata zināšanas par ĢIS terminiem un jēdzieniem, kā arī zināma R iepazīšanās. Izmantojot prezentācijas un īsus vingrinājumus, mēs aplūkosim R datu klases ģeotelpiskajiem datiem, rastra datu importēšanu un eksportēšanu, projekcijas, rastra manipulācijas un rastra analīzes. Semināra beigās dalībnieki būs labāk sagatavoti darbam ar rastra datiem R un viņiem būs plašāka izpratne par resursiem telpisko datu analīzei R.

          ĪPAŠA 3 daļu ģeotelpiskā R sērija, kas tiek piedāvāta sadarbībā ar D-Lab

          Apraksts:

          Ģeotelpiskie dati ir svarīga datu vizualizācijas un analīzes sastāvdaļa sociālajās, humanitārajās zinātnēs un citur. R programmēšanas valoda ir lieliska platforma šo datu izpētei un integrēšanai pētījumos.

          Ģeotelpiskie dati R I daļā: Darba sākšana ar telpisko datu objektiem Šīs trīsdaļīgās darbnīcu sērijas pirmajā daļā tiks ieviestas pamatmetodes un paketes darbam ar ģeotelpiskajiem datiem R. Dalībnieki uzzinās, kā importēt un eksportēt telpiskos datus un uzglabāt tos kā telpiskos objektus. Mēs izpētīsim un salīdzināsim vairākas datu kartēšanas metodes, ieskaitot bāzes diagrammas funkciju un ggmap un tmap bibliotēkas. Mēs pārskatīsim koordinātu atskaites sistēmas un metodes to lasīšanai, definēšanai un pārveidošanai. Ņemiet vērā, ka šī darbnīca koncentrējas uz vektoru telpiskajiem datiem.

          Ģeotelpiskie dati R, 2. daļa: Geoprocessing and analysis Part two of this three-part workshop series will dive deeper into data driven mapping in R, using color palettes and data classification to communicate information with maps. We will also introduce basic methods for processing spatial data, which are the building blocks of common spatial analysis workflows. Note, this workshop focuses on vector spatial data.

          Geospatial Data in R, part 3: Working with raster data Part three of this three-part workshop series will introduce tools and approaches for working with raster data. Raster data are used to represent geographic phenomena that are present and measurable anywhere in a study area, like elevation, temperature, rainfall, land cover, soil type, etc. These data are a valuable resource for social scientists, planners, and engineers, as well as natural scientists. This workshop will introduce basic raster concepts and methods for working with raster data in R. Participants will learn how to import and store raster data as spatial objects. We will explore methods for plotting rasters and manipulating raster data values. Basic methods of raster and raster-vector spatial data analysis will also be introduced. Additionally, the workshop will review coordinate reference systems and methods for reading, defining and transforming these with raster data.

          Knowledge Requirements: Basic knowledge of geospatial data is expected. R experience equivalent to the D-Lab R Fundamentals workshop series is required to follow along with the tutorial. Knowledge of ggplot helpful.

          Technology Requirements: Laptop with R, RStudio and the following R packages installed: sf, ggplot2, tmap, RColorBrewer, classInt.

          Webmaps in R with Leaflet

          Apraksts:

          Learn how to turn your data into beautiful webmaps using R and Leaflet, one of the most popular libraries for creating web maps. We'll cover how to build the entire workflow from raw data to interactive map all within R, so your analysis and mapping are entirely reproducible. You will also learn how to save this data as an HTML file so you can display your map on any website or publish it online. Basic knowledge of geospatial data is expected. R experience equivalent to the D-Lab R Fundamentals workshop series is required to follow along with the tutorial.

          Online Tools for Mapping Demographic Data

          Apraksts:
          Whether you need to just make a quick map or extract geo-located demographic data for use in other software, online tools can be just the thing! This workshop will introduce a few different web platforms for exploring and mapping U.S. demographic data, including the UCB Library-subscribed databases SimplyAnalytics and PolicyMap. While there is some overlap between the different applications, each has its own strengths and unique features. There will be hands-on exercises to explore the data and visualization tools that the different platforms offer.

          Spatial Pattern Analysis with Python

          Apraksts:
          This workshop will explore PySAL, a Python library for spatial data analysis, which includes functions for quantifying spatial auto-correlation in polygon data (i.e., Global Moran's I and Local Indicators). Options for exploring point patterns will also be discussed.

          Data Management: Tips, Tricks and Tools to Make Your Life Easier

          Apraksts:
          Tips, Tricks and Tools to Make Your Life Easier. This workshop has been designed for participants interested in data management practices for any sort of occasion. A one hour introductory presentation will get you up to speed on the key concepts and concerns of data management, as well as the basic structures of data you may come across. After this brief lecture you will follow an interactive exercise that will introduce you to a variety of tips, tricks, and tools that you can use for efficient data management. During this exercise you will learn how to safely acquire, organize and share all types of data using a variety of common tools, such as Google Drive and DropBox.

          New Workshop!
          Intro to ArcGIS Pro for Drone Data Processing and Analysis

          Apraksts:
          This workshop is designed for participants who are interested in drone data applications with ArcGIS Pro, who have little to no prior experience in GIS. An introductory presentation will get you up to speed on considerations for drone data management, processing and analysis, with examples from current and past UC projects. After the lecture, you will have the opportunity to follow an interactive exercise that will introduce you to the functionality of the ArcGIS Pro software application, while stitching together drone data and conducting basic analysis of the processed outputs.

          Apraksts:
          We will introduce participants to Esri&rsquos latest desktop GIS application, ArcGIS Pro. We&rsquoll explore the pros and cons of migrating to this updated platform. After the presentation, we&rsquoll follow an interactive exercise that will introduce you to Pro while performing basic processing and analysis geared towards forestry applications. This course is the result of a collaborative effort between UC ANR IGIS Statewide Program and the UC Berkeley, Geospatial Innovation Facility (GIF).

          New Workshop!
          Query the Planet: Running Geospatial Tools in the Cloud

          Apraksts:
          The GIF is excited to announce that Mark Korver, geospatial lead on the specialist solution architecture team at Amazon Web Services (AWS), will be visiting UC Berkeley on Friday, October 19th to teach a special hands-on workshop on running geospatial tools in the cloud. The workshop will introduce Amazon EC2 (VMs) and storage options such as EBS, EFS, and S3. Attendees will learn serverless methods using GDAL to create Cloud-Optimized GeoTIFF (COG) with AWS Lambda and Amazon S3. Attendees will also get experience using QGIS on AWS including using managed PostgreSQL/PostGIS and open data in S3 for improved geospatial data analytics.

          New Workshop!
          Viewshed Analysis and Least-Cost Paths in ArcPro

          Apraksts:
          The GIF is pleased to announce that we&rsquore partnering with UC Berkeley&rsquos Archaeological Research Facility (ARF) to bring users a new ArcPro workshop. This workshop steps through the process of conducting a Viewshed Analysis and a Least Cost Path study using examples from historical places and routes crossing the California Sierra Nevada. We will cover the process of acquiring and preparing topographic layers, setting up the vector layers, and interpreting the results. The Least Cost Paths analysis will use PathDistance with a customized Vertical Factor table based on Tobler's Walking Function.

          LiDAR Data Processing: Methodologies to Point Cloud Acquisition & Processing

          Apraksts:
          The Geospatial Innovation Facility is pleased to welcome Green Valley International (GVI) for a special workshop on LiDAR data acquisition and post-processing! Attendees will learn what it takes to create a full turnkey LiDAR workflow and will be provided with a free 6 month trial license for the point cloud post-processing software, LiDAR360.

          New Workshop!
          Geospatial Data Science and Machine Learning in GIS: FULL DAY WORKSHOP!

          Apraksts:
          The GIF is excited to welcome Esri Solution Engineers to UC Berkeley for this full day event. The workshop is designed to cover approaches to machine learning within GIS framework. It is designed to demonstrate use cases of machine learning and data science as they pertain to spatial analysis through hands-on exercises. Use cases introduce integration of ArcGIS platform to Python and R languages, in addition to spatial machine learning functionality within the ArcGIS platform.

          New Workshop!
          Working with Climate Data

          Apraksts:
          This new workshop will introduce participants to working with time-series raster data. We'll introduce users to NetCDF, a commonly used format for working with time series data and present ways to visualize and analyze time-series data in common GIS software.

          Intro to Remote Sensing: Understanding digital imagery

          Apraksts:
          This workshop introduces the very basic principles of understanding digital imagery, both satellite and aerial. The workshop is appropriate for participants with little to no experience in remote sensing. Through a combination of lecture and interactive activities, we will explore what makes up a multi-spectral image, where to find and download them, and how to view and manipulate them using a common geospatial software.

          • Agenda:
          • Presentation
            • What is Remote Sensing?
            • Components and characteristics of digital imagery
            • Real world applications of Remote Sensing
            • Software options for viewing and analyzing imagery
            • Finding and downloading imagery
            • Displaying and enhancing imagery in ArcGIS
            • Techniques for image interpretation and analysis
            • Basic methods for land cover classification

            Intro to Remote Sensing: Pixel-based analysis

            Apraksts:
            This workshop introduces digital image analysis techniques using Erdas Imagine and ENVI software. It is suggested that participants have taken "Intro to Remote Sensing: Understanding satellite imagery" or have comparable experience viewing and enhancing imagery in remote sensing software. Pixel based classification techniques are utilized to create land cover maps from raw satellite imagery, this workshop will introduce you to "unsupervised" and "supervised" classification approaches.

            • Agenda:
            • Presentation
              • Classification steps: project considerations
              • Pixel based land cover classification techniques (unsupervised, supervised, hybrid)
              • Understanding accuracy assessment
              • Software options for viewing and analyzing imagery
              • Unsupervised classification in Erdas and ENVI
              • Supervised classification in Erdas and ENVI

              Intro to Remote Sensing using Open Source Tools

              Apraksts:
              This workshop introduces the basic principles of understanding digital imagery, including the fundamentals of multi-spectral imagery. Participants will learn how to find and download satellite and aerial imagery, how to display and enhance digital imagery, and basic techniques for image interpretation and analysis. This workshop will be taught using QGIS, a popular free and open source geospatial software package.

              Advanced Remote Sensing: Land cover change analysis

              Apraksts:
              This workshop introduces the process of analyzing imagery from multiple dates in order to map and quantify change over time. It is suggested that participants have taken "Intro to Remote Sensing using Open Source Tools" or have comparable experience viewing, enhancing, and classyfying imagery in remote sensing software.

              • Agenda:
              • Presentation
                • Understanding land cover change mapping
                • Techniques for identifying areas of change
                • Understanding limiting factors to accurately identify change
                • Visual comparisons of multi-date imagery
                • Creating a quick multi-band change enhancement
                • Multi-date composite classification

                Intro to Object-based image analysis (OBIA) with eCognition

                Apraksts:
                This workshop introduces the Object Based Image Analysis (OBIA), an advanced method used to segment a pixel based image into map objects that can then be classified as a whole. This type of analysis is ideal for mapping with high-resolution imagery, where a single feature (such as a tree) may have several different shades of pixels. It is suggested that participants have taken Intro to Remote Sensing, or have comparable experience viewing and enhancing imagery in remote sensing software.

                • Agenda:
                • Presentation
                  • Brief overview of remote sensing
                  • Focus on object-based remote sensing
                  • Image Analysis (enhancements, classification)
                  • Load and view data, Introduction to Processes
                  • Segmentation: How to create Image Objects Image Objects
                  • Basic Classification Classify using context information
                  • Merge Objects Export results

                  Intro to Google Earth Engine: Detecting and Monitoring Surface Water from Space

                  Apraksts:
                  This workshop will introduce participants to using Google Earth Engine (GEE) and will work through an exercise designed to remotely monitor surface water ponds over time using satellite imagery. Google Earth Engine is a powerful cloud-based geospatial platform that can be used to analyze decades of publicly available satellite imagery in seconds. The workshop assumes little or no experience with GEE and will introduce you to using the GEE Javascript code editor. Attendees will learn how to load geospatial data and imagery, including Landsat and Sentinel imagery, display them on the map, and inspect pond sites by reviewing the most recent images. You will also learn how to develop a layer of the Normalized Difference Water Index (NDWI), how to calculate mean NDWI values within polygons, and how to create graphs of NDWI over time.

                  Intro to Google Earth Engine: Tracking Forest through Time

                  Apraksts:
                  This workshop will introduce students to Earth Engine, a cloud/browser-based platform that enables large analyses in very little time. It&rsquos most relevant for people that are interested in using satellite and aerial imagery to study large areas, long time periods, or both. The API is home to hundreds of public remote sensing/geospatial datasets totaling more than thirty petabytes, and growing by thousands of images daily (it is continuously updated as images are captured). Earth Engine is an Application Programming Interface (API), meaning that users request data or analysis using a programming language &ndash this workshop teaches the JavaScript API as it is more visually interactive and easier to set up. Using a case study of drought mortality in an island forest, we will explore a new tool for time series analysis in Earth Engine: LandTrendr. Using this algorithm, we will track the heartbeat of a forest over many decades. This workshop is intended for two broad groups &ndash people with some initial geospatial or GIS knowledge who are interested in learning to use Earth Engine, and people with some Earth Engine experience who are interested in applying LandTrendr to time series analyses. This workshop will hopefully serve both groups by empowering those in the more experienced group to jump ahead within the detailed workshop handout and in the Earth Engine repository as they see fit.

                  You must pre-register for an Earth Engine account at https://earthengine.google.com/signup/ with a gmail account. Your Berkeley gmail account is good, but using a personal gmail is preferred as your account will have more longevity. Allow

                  1 week for account approval.

                  SPECIAL WORKSHOP! Using NASA's AppEEARS and Other Tools to Improve Research Efficiency

                  Apraksts:
                  The GIF is pleased to be able to offer this special workshop taught by our partners at NASA. This workshop introduces users to a range of innovative tools and services provided by NASA s Land Processes Distributed Active Archive Center (LP DAAC), including the Application for Extracting and Exploring Analysis Ready Samples (AppEEARS), which offers a simple and efficient way to access and transform geospatial data. With AppEEARS, users can subset geospatial datasets using spatial, temporal, band parameter, and quality filter constraints. Additionally, participants will become more familiar working with Terra and Aqua MODIS and Terra ASTER data products. This workshop is designed for users with some previous experience working with remote sensing data and a basic understanding of R.

                  SPECIAL WORKSHOP! NASA ECOSTRESS

                  Apraksts:
                  The GIF is pleased to be able to offer this special workshop taught by our partners at NASA. The ECOsystem Spaceborne Thermal Radiometer Experiment on Space Station (ECOSTRESS) measures the temperature of plants and use that information to better understand how much water plants need and how they respond to stress. https://ecostress.jpl.nasa.gov/. This workshop will inlcude a discussion of the data and why it is unique. We will then have an interactive, hands-on demo using R, QGIS, and ArcGIS tools. Come join us in the GIF for a unique opportunity to get started with this new

                  Creating your own web maps

                  Apraksts:
                  This workshop is an introduction to webGIS. It has been designed for participants with little to no GIS or web experience, and serves as a practical exercise for you to begin developing your own web maps with google maps.

                  • Agenda:
                  • Presentation
                    • Brief introduction to webGIS
                    • Choosing the right webGIS development application for you
                    • Google Maps API
                    • Creating web maps with Google Fusion Tables
                    • Creating web maps with CartoDB
                    • Create a basic web map with Google Maps API
                    • Customize your Google Map
                    • Add your field (or other) points
                    • Create a basic web map with Google Fusion Tables
                    • Create a basic web map with CartoDB

                    Intro to CartoDB for Online Mapping

                    Apraksts:
                    Andy Eschbacher, Map Scientist with CartoDB, will visit the GIF to teach this special hands-on workshop. CartoDB.com is a versatile cloud-powered spatial database, mapping, analysis and visualization engine that facilitates the process of building spatial applications for both web and mobile devices. The platform is currently used by major news organizations, research institutions, non-profits and geospatial application developers. This hands-on workshop will provide an introduction to managing, creating and analyzing spatial data and creating interactive map visualizations for the web, using the CartoDB platform. Click here to register.

                    Web Mapping and Visualization

                    Apraksts:
                    This workshop is an introduction to Web GIS and data visualization. It has been designed for participants with some previous GIS experience, and serves as a practical exercise for you to begin developing your own web maps with Leaflet and D3.

                    Build a Web Map with Mapbox

                    Apraksts:
                    Join us for a hands-on introduction to Mapbox, the location data platform for mobile and web applications. The Mapbox team will be walking you through how to upload data, add it to a map, and style it. This will be an introduction to Mapbox Studio, our UI interface for designing custom maps. In addition, there will be an intro to Mapbox GL JS, a Javascript library for adding interactivity to maps. You will be writing some Javascript throughout the workshop, but no previous experience is required. Participants will learn how to create a choropleth map with Mapbox Studio and make it interactive with Mapbox GL JS.

                    Introduction to ArcGIS Online Story Maps

                    Apraksts:
                    The GIF is partnering with the D-Lab to bring you this new workshop. ESRI Story Maps let you combine maps with text, images, and multimedia content in a web page. Story Maps make it easy to harness the power of maps as a framework to tell your story. This workshop will introduce the process of creating Story Maps in ArcGIS Online (AGOL). Participants will learn how to log into the campus ArcGIS Online server, create web maps and then integrate those maps into Story Maps. Users can choose to keep data, web maps and Story Maps hosted on the campus AGOL site private or share with a group, or make them public.

                    Intro to Species distribution modeling

                    Apraksts:
                    One of the fastest developing and increasingly used tool for conservation and biogeographic research, this workshop introduces species distribution modeling. We will introduce the concepts and the process of combining species location (x,y) data with environmental data (climate, landcover, etc.) to predict where a particular species may occur. It is suitable for participants with little to no experience with species modeling, however, a familiarity with R Statistics is advised. We will step through hands-on exercises using the latest tools and methods, and supply information for participants to continue their exploration of these methods. A great way to discover what this methodology is all about.


                    Skatīties video: QGIS - DIGITASI PETA RBI POINT, LINE, POLYGON (Oktobris 2021).