Softening the blow of complex Geodata. Striving ourselves to ease up the understanding and trying to make easier those complex procedures we usually get stuck in!
Gracias a la inestimable ayuda de mi compi de co-working Pablo Martín -ingeniero Forestal- con Google Earth Engine hemos modelado este NBR (Normalized Burn Ratio) que usa los canales NIR y SWIR de Sentinel-2 para medir la severidad del incendio de la semana pasada en mi pueblo, Cadalso de los Vidrios (Madrid, España). Rozamos la tragedia en lo personal pero sin duda fue terrible a nivel material. Tardaremos décadas en revertir este funesto incendio pero vayamos a lo práctico…¿Qué zonas han sido más severamente dañadas?. Un NBR aislado apenas nos dice más que el estado actual pre o post incendio pero no sería más acertado compararlas dos escenas inmediatamente anterior y posterior?. Esto es posible hoy día dado que Sentinel-2, un satélite europeo a 10m de resolución, pasa cada pocos días. ¡Qué potencial!.
La medición de la severidad ha de tomar en cuenta el ratio anterior y posterior al incendio que idealmente hace más preciso el resultado (Prefire NBR – PostFire NBR). La imagen arriba muestra claramente la zona al Oeste como la ás dañada por el fuego.
Respecto a las mediciones de las zonas afectadas unos se pregunta si éstas tienen que ver con la severidad de la zona específica afectada o simplemente se considera lo mismo si el fuego ha rozado que si ha realmente afectado a horizontes edáficos más profundos (lo que lo convierte potencialmente en más grave). Dependiendo de cómo se mida, tenemos más o menos zonas afectadas por el fuego. Desconozco el método oficial pero tengo claro que se debe tener claro este parámetro para las mediciones compensatorias, los seguros, etc. Recordemos que originalmente en todos los medios se establecían 3300 Has. como la cifra oficial y tan pronto como acabó, se bajó esa cifra a 2200 Has.
2700 Has.
1000 Has.
Mis mediciones objetivas y cuantitativas (pero siguiendo mi lógica particular, no necesariamente consensuada ni correctamente parametrizada) resulta en unos 27 km2 (en negro) desde unos más conservadores 10 km2 (en rojo).
Si nos ceñimos específicamente a las áreas quemadas y extraemos aquellas que lo son algo menos o que no están negras completamente. Se puede ver claramente que el incendio estuvo realmente a punto de entrar en el pueblo!!. En todo caso cuanto más lo miro más me parece algo que nos debería ayudar a tomar medidas en el futuro.
Coordinación entre organismos supraregionales (Comunidades Autónomas, Unidades Militares UME), inversión en limpieza del monte, mecanismos de compensación adecuados y ecuánimes, etc. Comparto el archivo en formato KMZ (se abre con Google Earth, por ejemplo):
Siempre sale algo bueno de algo malo y después del incendio de Cadalso se me ha abierto un mundo increíble de posibilidades de análisis desde Google Earth Engine… Solo hacen falta tres cosas: curiosidad, un poco de tiempo y amigos que hagan GIS (Gracias también Ana, Pablo, Marcela, Ligia, Doramas, Manuel, Jorge y todos los demás compis activos de GISITELE!)
Combinación de imagen de alta resolución de fondo con NBR usando leyenda de blanco (menos severo) a negro (más severo)
Hacer el análisis en Google Earth Engine ( Google Earth Engine combines a multi-petabyte catalog of satellite imagery and geospatial datasets with planetary-scale analysis capabilities and makes it available for scientists, researchers, and developers to detect changes, map trends, and quantify differences on the Earth’s surface) me ha permitido usar las imagenes sin descargarlas, un análisis más certero y consistente así como actualizado instantáneamente en caso de variar puntualmente alguno de los parámetros (por ejemplo una fecha de una imagen inicial) así como la potencialidad de verificar cuantitativamente cómo se recupera la zona a medida que pasa el tiempo.
Como referencia, algunas fuentes de esos días en prensa nacional:
Comparing all kind of Geodata (i.e 3D Buildings, DTM, DHM, DSM, Land Use, vectors,…) to background sources as Google Earth/ Bing, available sources from the country we are working on or WMS available sources, etc.
Figuring out if the data requested and we want to deliver is consistent enough compared to the so called “Truth”. Some of these checks are visual/manual, some others are more automated/analytic, Preparing ad-hoc reports using Photoshop macros to explain/flag/highlight etc. also videos, PPTs, specific ‘White Papers’ and any other way of facilitating the comprehension of the potential issues.
Les données donnent les coordonnées et la catégorie (centre sportif, circuit de plein air, stade, gymnase, espace sportif de proximité, piscine, plaine de jeux, tennis, autre équipement).
Ils sont où les équipements publics de la thématique ‘Sports, loisirs’ a Nantes ?. Est-ce qu’il y a un patron de localisation ?. Où est-ce qu’on peut trouver plus grandes concentrations ?. Si on parle de quelque endroit spécifique, il y a des équipements ?. On va voir.
Voici l’structure des données, nom, type, statu, adresse, téléphone, etc.
Voici on peut visualiser les données sur la couche de quartiers (c’était vraiment difficile de trouver chez data.paysdelaloire mais finalement ça va), http://data.paysdelaloire.fr/donnees/
Voici on peut remarquer où il y a des concentrations (on n’a pas fait distinctions qualitatives mais on pourrais le faire, selon l’statu privé ou publique, par exemple),
On peut montrer l’image. En ce cas ci je montre l’orthoimage 2005 (resolution 0.20m, precision 0,40m),
Et finalement on remarque qu’il y a pas assez d’des équipements publics (sports, loisir) sur l’île de Nantes (j’habite ici, c’est pour ça que parfois j’aime bien me concentrer ici),
Bon, j’espère que vous trouvez ça intéressant et s’il vous plait, n’hésitez pas a me contacter pour résoudre des doutes.
Merci bien de me donner votre avis si vous le souhaitez.
Le jeu propose la géo-localisation des emplacements réservés à la livraison sur voirie dans un secteur limité de la ville de Nantes. Ces aires permettent l’enlèvement et la livraison de marchandises par les professionnels et facilitent le transport des marchandises en ville.
L’idée c’est savoir s’il y a de concentration dans certains quartiers ou par contra on trouve un patron plus dispersé. Je vais commencer a visualiser les données y j’attends aussi la reponse de quelq’un au Forum avec le ‘shape’ des quartiers et pouvoir finir l’analyse.
J’ai utilisé le logiciel ArcGIS 10.0. C’est facile ajouter les couches, dans ce cas ci, les points où on trouve des emplacements réservés à la livraison sur voirie… on ajoute aussi les images aériennes 20 cm (tout telechargé au meme endroit). Mon hypothèse aussi pondére la taille des emplacements réservés à la livraison.
L’average nearest neighbor analyse va m’aider a savoir si on travail avec des point dispersés ou par contra concentrés spécifiquement dans certain quartiers. Pour l’instant je ne peux faire que en general parce je n’ai pas encore trouvé la couche pour les quartiers… Donc on peut dire qu’on a un scenario de dispersion.
Analyzing patterns/average nearest neighbor
A travers d’un analyse de densité on peut visuellement voir si il y a un endroit avec des concentrations plus élevées.
Spatial analyst/density
A travers de l’auto-corrélation spatiale nous découvrons un niveaux de signifiance que nous fait douter du résultat de concentration précédent. Pour quoi ?. On vais voir après (j’espère). Et aussi nous pouvons voir qu’il n’y a pas de tendance Nord-Sud ou Est-Ouest dans le modèle de localisation.
I have already worked as a building cleaner, data capture operator, copywriter, photographer, graphic designer, video editor, technical salesman… and seriously, I think i’m too old to make a living in something else now…
GIS has been working for me the last 8 years and i want to stay like this!!!:-) I have just read in GISLOUNGE that Visualization is among a list of a few things which will endure these difficult years of CRISIS.
(…) Visualization Look at the Foursquare time machine for example. The classic cartography is being challenged to new methods. The market wants more beautifully visualized maps. (…)
And if the market needs more beautifully visualized maps, Alberto will be there!!!!.
What is this ‘cool data‘ all about?. When i got my degree in Geography (about 15 years ago) it didn’t make sense at all being interested in something like graphic design, photography, video and all this stuff… but not only interested in my leisure time but also for taking advantage of it, getting a life out of it. When, after three years of working in a plane while taking aerial pictures i got fed up with anything related to Geography (and working 24/7) and started working as a website designer it started making a bit of sense… Only five years later, having worked as multimedia photographer, graphic designer and technical salesman everything got aligned and made all the sense in the world… i wanted to come back to Geography but taking advantage of all this years of doing something else…
It was time to resign and comeback to the university to get a MSc (In Remote Sensing and GIS)… leave everything behind and planning my working life again. After finishing my master’s degree (well, actually they were two!) i received a call from South Africa. Are you Alberto?. Hell yes, I am!.We have just received your CV and we are interested in offering you a job dealing with something (i didnt know about) called ‘Geovisualization’. Again, what is this all about?. Well, its dulcifying, easying up all complex information and offering it in a new way, a much easier way to understand it… This is what i call COOL DATA.
Let’s imagine there’s something our customer doesn’t really understand and its kind of difficult to describe using words… There’s always a way for making it easier. Using Graphic design tools or Video software to recreate a workflow or explain something complex… even adding some music, why not???.
Using Photoshop Macros and a few composition rules we can convert a tricky template in something we, our team and our customer will understand completely. What about Global Mapper scripts for quick conversions between formats?.
What about including some statistics?
and Spatial analysis?.
And 3D?
Maybe some video?
Is this clear enough?. No?.
Let me explain it to you in English, French or Spanish.
Now, seriously, count on me in case of need of converting complex datasets into COOL DATA.
Please don’t hesitate to contact me.
Alberto Concejal
MSc GIS and Remote Sensing
albertoconcejal (at) gmail.com
C’est vraiment magnifique l’ouverture des données publiques… Je vais décrire mon itinéraire pour mieux comprendre:
Télécharger des données (Projets éoliens en Loire-Atlantique)
Telecharger DTM (SRTM v4)
Faire Carte d’ombrage (ArcGIS),
Orientations (ArcGIS) et
Inclinations (ArcGIS) pour mieux comprendre l’emplacement des moulins
Faire Carte de densité (en mesurent la puissance du parc)
Et maintenant la carte de densité en Global Mapper…
Name=Chauvé
Feature Type=Unknown Point Feature
Geometry=Point location: 321341.949 6688237.734 (Lat/Lon: 47° 11′ 11.0775″ N, 2° 00′ 13.7962″ W)
Map Name=projets_eoliens.shp
NOM_PARC=Chauvé
ETAT_AVANC=Permis de construire accepté
NBR_EOL=6
PUISSANCE=12
Et après, avec tous les cartes et toutes les données, faire l’interprétation, voici toutes les moulins du vent en Loire Atlantique, on peut apprécier la concentration au Nord/Nord-Est de la région:
La rose des vents représentative du secteur d’étude est celle fournie par la station de Nantes-Bouguenais.
Les données ont été recueillies sur une période de 29 années (entre le 1er janvier 1971 et le 31 décembre 2000).
La rose des vents ci-après représente la distribution annuelle des vents (tous mois et toutes heures
confondues).
Les vents sont classés selon trois catégories :
– vents dont la vitesse est comprise entre 5 et 16 km/h (bleu),
– vents dont la vitesse est comprise entre 16 et 29 km/h (vert),
– vents dont la vitesse est supérieure à 29 km/h (orange).
Ces catégories sont ensuite reportées en terme de fréquence pour chacune des 18 directions de la rose des vents située au centre (nord, sud, est, ouest, etc.)
Les vents dominants sont les suivants :
– Les vents de secteur ouest/sud-ouest et sud (directions de 180 à 280°) qui représentent 36,5% des vents, toutes vitesses confondues. Les vents les plus forts de la station (vitesse supérieure à 29 km/h) soufflent majoritairement dans ces secteurs.
– Les vents de secteur nord-est (24,7% des vents) avec une majorité de vents faibles ou moyens (directions de 20 à 80°).
Idéalement il faut exporté raster->vector et faire l’analyses spatiale mais ça va être un outre post !
Éolien terrestre ou off-shore, ce mode de production électrique devrait connaître une accélération sans précédent en Loire-Atlantique d’ici à 2020.
L’éolien apparaît comme la principale source d’énergie renouvelable électrique permettant d’atteindre dans les toutes prochaines années un niveau important de production.
C’est pourquoi Le Département a fixé en juin 2010 un objectif ambitieux de puissance éolienne installée à l’horizon 2020 :
This is the beautiful building in from of my house in Nantes… Let’s model it first using Sketchup. Also i have used a non standard style only for visualization purposes…
If we have the North behind us this means we are going to have a lot of light… but so far we are just guessing…
Now we know if for sure. Take a look at the results by M. Capeluto’s Solar Analysis.
If we face South we notice there’s a lot of sun in the other side of the building (every line is a summarized path during a month, being the higher the closer to the summer solstice)
Please take a look at the video prepared by Tomasz Janiak, the developer of the tool.
Hope you guys find it interesting. Please let me know your thoughts.
I have started using this visualization engine to overlay standard ortho imagery, DTM datasets and telecomunication specific datasets… All i can say so far is that it works pretty well!!!. Being able to understand the scope of land use dataset while we swipe different types of images… it works!!
In this particular case a land use classes menu was added so we can easily identify every one of the different types of coverages at the same time we visualize the background we have used to extract that information.
Please don’t hesitate to make questions about it,
Regards,
Good news!!!! They’ve probably released this Geovisualization Engine long time ago (It used to be an ‘in-house’ software) but I have just realized. I worked with this state-of-the-art TerrainView 3D software for six months while I was working as a GIS Specialist in Cape Town (South Africa)… What does this software has that no one of other softwares I know have????. Rain, snow, clouds, wind… Athmosferic conditions!!!! A very reliable package… I have just uploaded a video rendered directly from a pre-recorded flight path… I will try to make my own while I work with this personal license key they have provided me for one month… Here it is!!. Hope you like it mates!.
TerrainView™ is the free entry visualization product of ViewTec. TerrainView™is an easy to use viewing tool and 3d editor capable of displaying the most popular 3d formats. It offers walk-through capabilities in real-time.TerrainView Extensions
Upgrade the free TerrainView product online to the different professional extensions:
TerrainView-Globe™ extends TerrainView with unlimited GIS, multilayered elevation and image data import based on Earth and offers ultra-fast and high resolution rendering for GIS and simulation users.
The extension TerrainView-CMAX™ consists in a high-end system for seamless multi-channel, multi-projectionsand visualizations on multiple screens and walls.
What I like the most from Google Earth Engine is how powerful can be. You can take i.e all images from the whole Sentinel 2 series over certain spot and measure NDVI throughout time or you can take an analysis you first thought it was ideal over India and then you can use it anywhere else in the world.
This shape file consists of consolidated history of tropical storm paths over the past 50 years in the West Pacific, South Pacific, South Indian and North Indian basin
Isn't it incredible? Mapping qualitative data, something as intangible as mapping a concept. For the first time, human behavior and personality in communities can be quantified using artificial intelligence.
Decenas de medios y redes sociales, algunos poco fiables por incapaces o partidistas (o las dos cosas), muchos datos, no necesariamente bien extraídos y analizados, varios criterios no harmonizados y cambiantes (en los últimos días dos veces han cambiado los criterios del Ministerio de Sanidad español!) me convencieron para hacer los análisis yo mismo pero e […]
