Datos personales

Romeo. Con la tecnología de Blogger.
RSS

Cómo crear un GeoPDF con ArcGIS


$$$$$$$$$$$$$$$$$$$$$$$$$
Cómo crear un GeoPDF con ArcGIS 
$$$$$$$$$$$$$$$$$$$$$$$$$
Un GeoPDF* es un documento PDF con capacidades geográficas. Con un GeoPDF podrás gestionar las capas, hacer consultas sobre los atributos de las mismas y conocer en todo momento las coordenadas de un lugar. Todo ello desde Adobe Acrobat Reader.
Desde la versión de ArcGIS 9.3, la función exportar a pdf nos da la opción de incluir los atributos de los elementos en el PDF creado. De esta manera los usuarios que utilicen nuestro pdf pueden acceder a los atributos de nuestros features.
Para crear un GeoPDF sigue los siguientes pasos:
1. Abre ArcMap, añade tus capas y configura el mapa.


2. Haz click en File > Export Map…
Export Map
3. En la ventana que se abre selecciona como tipo: PDF (*.pdf)
4. En las opciones de la parte inferior, ve a la pestaña Advanced, y selecciona la opción Export PDF Layers and Feature Attributes.
Configuración de ventana
5.Escribe el nombre de tu archivo y pincha en Guardar para exportar el mapa.
Una vez exportado el mapa debes abrirlo con una versión de Adobe Acrobat Reader para tener disponibles las opciones geográficas.
  • Si utilizas una versión de pago tendrás acceso a más funciones geoespaciales, como medición geodésica y marcas georreferenciadas.
1. Abre el pdf con Adobe Acrobat Reader:
pdf en Acrobat Reader
2. Para abrir las funciones geográficas, ve a Edición > Análisis >
  • Herramienta Datos de objeto
  • Herramienta Medir
  • Herramienta Ubicación geoespacial
Dependiendo de la versión de Adobe Acrobat que se utilice, estas funciones se habilitarán desde otro lugar, por ejemplo en la versión Adobe Acrobat Reader 9 se encuentran haciendo clic derecho en una zona gris sin botones y en el menú contextual que se abre seleccionando la opción More Tools…
La herramienta datos de objeto nos proporciona información sobre el feature que se pinche, en ese momento el árbol de la izquierda muestra los atributos del elemento en cuestión.
ArcGIS datos de objeto
En el ejemplo de la imagen hemos desactivado la visualización de algunas capas. Esto se realiza  pinchando sobre el icono de las capas que se encuentra a la izquierda y  a continuación pinchando sobre el icono del ojo que se encuentra al lado de cada capa.
visibilidad de capas
La herramienta ubicación geoespacial muestra en todo momento las coordenadas X e Y por las que se pasa con el ratón.
ubicación geoespacial
*GeoPDF se refiere a los productos cartográficos e imágenes creadas por aplicaciones de software TerraGo. La idea de GeoPDF surge en el 2001 de la mano de la empresa TerraGo Tecnologies en colaboración con el cuerpo de Ingenieros del Ejército de Estados Unidos.
%%%%%%%%%%%%%%%

  • Digg
  • Del.icio.us
  • StumbleUpon
  • Reddit
  • RSS

sistema de mapeo móvil Stencil Pro


$$$$$$$$$$$$$$$$$$$$

sistema de mapeo móvil Stencil Pro


$$$$$$$$$$$$$$$$$$$

Kaarta anuncia el sistema de mapeo móvil Stencil Pro


Kaarta, especialista en captura de realidad 3D móvil en tiempo real, presenta Stencil Pro, una plataforma de mapeo móvil de nivel profesional con fidelidad visual y dimensional de alta calidad. El sistema de mapeo móvil Stencil Pro multipropósito proporciona resultados precisos con una velocidad impresionante, incluso en entornos desafiantes como minas subterráneas o corredores de servicios públicos.
Stencil Pro, un sistema todo en uno para escanear, procesar y ver los datos capturados en tiempo real, ofrece imágenes panorámicas 4K de alta definición y nubes de puntos coloreadas. Con una sólida percepción de la vista envolvente en una amplia gama de condiciones de luz, Stencil Pro está optimizado para el rendimiento tanto en interiores como en exteriores. Con un Lidar de 32 líneas de alta densidad y bajo ruido con un alcance de 120 metros y una velocidad de datos de 600,000 puntos por segundo, Stencil Pro produce un modelo 3D de alta precisión en minutos.
Con una clasificación IP65, Stencil Pro está protegido contra elementos adversos como la suciedad, el polvo, la niebla y la lluvia, por lo que es la herramienta ideal para el mapeo de infraestructura, minería, silvicultura, movimiento de tierras, construcción y otros entornos hostiles. El diseño resistente y versátil de Stencil Pro se adapta a muchos entornos, capturando datos en medio de mal tiempo, entornos de trabajo polvorientos y cavidades subterráneas o cuando se monta en vehículos, locomotoras, vehículos todo terreno y otras plataformas.

Geo-habilitado para muchas aplicaciones

Al igual que todos los sistemas Kaarta, las capacidades de localización y mapeo simultáneo (SLAM) de Stencil Pro significan que opera en áreas denegadas por GNSS, como interiores, subterráneas, bajo cubierta o en cañones urbanos. Sin embargo, también está totalmente habilitado para muchas aplicaciones, como el mapeo de calles, corredores y ferrocarriles, donde la adición de una señal GNSS es altamente beneficiosa. Stencil Pro integra el probado y verdadero receptor Trimble BD-990, la antena AV-28 y una gama de otras antenas GNSS de terceros. Admite mejoras de precisión de posicionamiento a través del procesamiento RTK / NTRIP en vivo, así como correcciones PPK basadas en datos proporcionados por la red NOAA CORS o una estación base suministrada por el usuario. Los datos de posicionamiento GNSS se utilizan para alinear y geo-registrar datos, proporcionando precisión global y mejorando aún más la fidelidad de los escaneos de área grande y las rutas de escaneo largas y lineales.
El GNSS integrado y las cámaras en color están completamente integradas en la captura en tiempo real, lo que permite la optimización de los datos recopilados y la flexibilidad en la salida. La ventaja del posicionamiento absoluto y la precisión junto con las tecnologías de imágenes de 360 ​​grados produce una nube de puntos de color verdadero, rico y robusto cuando es necesario. Si no se requiere una nube de puntos coloreada, o GNSS no está disponible, la confianza en otros sensores es perfecta.

Comprender las condiciones existentes

"Miles de millones de dólares en transacciones de bienes raíces comerciales, proyectos de construcción, mantenimiento de infraestructura y decisiones de gestión de recursos naturales dependen de la comprensión de los datos de las condiciones existentes", dijo Kevin Dowling, CEO de Kaarta. "Obtener datos actualizados para estos entornos es laborioso, lento y costoso con los métodos actuales. Incluso en los escenarios más desafiantes, Stencil Pro proporciona rápidamente las respuestas necesarias para que los gerentes tomen decisiones informadas".
Stencil Pro funciona con una entrada de 100-240 VCA (o 12V con un inversor) o con sus dos baterías intercambiables en caliente que duran hasta 3 horas de escaneo. La interfaz de usuario intuitiva de Stencil Pro simplifica la captura y el procesamiento de datos. La experiencia del usuario incluye escaneo de un botón, monitoreo de escaneo en tiempo real y opciones de post-procesamiento optimizadas para maximizar la claridad de los datos y la usabilidad. La operación remota con un monitor con pantalla táctil permite montar Stencil Pro en una multitud de transportes. Cuando se lleva a mano, el estado del escaneo se puede iniciar y detener con solo presionar un botón.
Stencil Pro se basa en Kaarta Engine , el enfoque pendiente de patente de Kaarta para resolver el problema de SLAM. La incomparable experiencia de Kaarta en localización, como resultado de sus profundas raíces robóticas, ofrece un error de deriva definitivamente menor que los sistemas SLAM alternativos en un orden de magnitud. La tecnología, la calidad y la precisión comprobadas de Kaarta son confiables por AEC, geoespaciales, gestión de recursos naturales y profesionales autónomos de robots móviles en todo el mundo.
%%%%%%%%%%%%%%%%%%

  • Digg
  • Del.icio.us
  • StumbleUpon
  • Reddit
  • RSS

3D Modelling for Property Valuation in China


$$$$$$$$$$$$$$$$$$$$$$

MODELADO

$$$$$$$$$$$$$$$$$$$$$

3D Modelling for Property Valuation in China

A High-resolution Remote Sensing-based Approach


Rapid urban development in China has transformed the cityscapes, with a dramatic increase in high-rise buildings. However, the current 2D property valuation methods neglect the vertical dimension, even though that aspect contains significant indicators that impact property value – such as types of views, scope of vision and daylight. 3D modelling of geographical data can help to change this in high-rise and high-density areas, going beyond 2D to enable identification of complex property characteristics in the vertical dimension too. This article presents research to explore a 3D modelling approach using remote sensing data for more precise property valuation.
The accelerating urbanization has put great pressure on land in China, posing a challenge of how to accurately define property characteristics and values. However, the integration of GIS and property valuation are mainly based on two dimensions. When it comes to handling the complexity of vertical developments in urban areas, current methods are incapable of describing a property’s 3D characteristics in detail and providing precise information on spatial variations between properties. In view of the considerable rise in property prices and the technical advancements in GIS, 3D modelling is becoming increasingly relevant for property valuation in urban areas in order to better describe the complex property characteristics, especially in the vertical dimension, as recent research in China shows.

Study area

Xi’an, the capital city of Shaanxi Province, is located in the mid-western area of China. Xi’an serves as the educational, political and economic centre of Shaanxi Province and wider northwest China. It also attracts tourists from around the world. Xi’an was chosen for the research project because of its data availability and its property market, which has particularly flourished over the past few years. Although it is both costly and time-consuming to investigate the effects of 3D indicators, the anticipated results at the neighbourhood scale can be useful, giving prospective buyers a fast estimate of the property price in a specific neighbourhood and also making the study feasible in terms of computation and data collection.
Figure 1, The 2D indicators included in the 2D model (Blue: significant at 0.05 significance level; Grey: not significant).
Figure 1, The 2D indicators included in the 2D model (Blue: significant at 0.05 significance level; Grey: not significant).

Higher level of detail

3D modelling and its interactive functions for property valuation has so far not been very popular among both the municipal government and the real-estate developers in Xi’an; it has only been explored by real-estate developers in a few large cities (e.g. Shenzhen). The Xi’an municipal government does use some 3D modelling, but mainly in the field of urban planning and the use cases are limited due to the low levels of detail (LOD) influenced by the huge cost, low technology and public security policy. However, 3D modelling can be developed to a higher LOD to serve more purposes in the future (e.g. emergency management). Real-estate developers utilize 3D modelling for architecture and landscape design, but they rarely use it for sales purposes because they believe/perceive the traditional 2D sales tools to be effective and intuitive. The reform of the Hukou policy has contributed to substantial population growth in Xi’an and is thus creating a higher demand for housing. Now that the property market in Xi’an is a seller’s market, the real-estate developers have no impetus to develop new technologies. Therefore, a suitable 3D modelling approach should be determined by considering the local circumstances.
Figure 2, The 3D modelling workflow.
Figure 2, The 3D modelling workflow.

Exploring the 2D-based method

In this research project, first a regular hedonic price model with 2D indicators was applied. Generally, most research concluded that property price variations could be generalized by different statistical models. However, the R2 of 2D methods applied in this research, ordinary least squares (OLS) and geographically weighted regression (GWR) were too low to generalize a model (0.111 in OLS and 0.217 in GWR), which meant the models of current 2D indicators (Figure 1) could not explain the property price variations. The reason may be the use of first-hand property price data which was generated under the fixed-price and purchase-restriction policy established by the Xi’an municipal government, whose primary purpose was to stabilize property prices. Therefore, the prices may not show a significant impact from the geographical locations and surroundings.

The 3D modelling process and results

The preparation for a 3D model was divided into two main steps: land cover classification based on remote sensing data, and 3D data structure construction (Figure 2). The multispectral images used for the classification were from the Chinese satellite Gaofen-2, with a resolution of 4m, and Sentinel-2, with a resolution of 10m. The classification was executed by a support vector machine and validated by visual interpretation (Figure 3). 3D data structure construction was conducted in ArcGIS for creating height attributes for the 2D floor plans, which could be directly linked in CityEngine. In the 3D modelling process, two high-rise neighbourhoods were explored. The 3D indicators taken into consideration were view type, sky view factor (SVF), sunlight and property orientation. These were determined based on the local knowledge acquired by a questionnaire issued to Xi’an residents. The first three indicators were simulated by built-in functions in CityEngine: Viewshed and sunlight analysis. Property orientation was set up as a dummy variable. The regression results revealed that the R2 of the 3D method (0.451) was significantly higher than those of 2D methods. SVF, sunlight and property orientation were proven to have a significant influence on property price at 0.05 significance level. The findings disclosed that the 3D method could explain property price variations better than 2D methods. The 3D visualization in CityEngine also showed excellent performance regarding quantifying and analysing 3D indicators (Figure 4).
Figure 3, The classified image of the study area with an overall accuracy of 87.5%.
Figure 3, The classified image of the study area with an overall accuracy of 87.5%.

Validating the 3D model

The regression results of the 3D model were validated by leave-one-out cross-validation and the results turned out to be quite good, with a 9.76% error of predicting the property price. However, no research has ever set up a threshold or developed an approach for this kind of model validation. The analysis of the 3D indicators was all simulated in software and it would be time-consuming to collect them through fieldwork. Therefore, the validation of the 3D model will remain an important issue to be solved in the future.

A way forward

This research proved the 3D modelling approach, with its vivid visualization and powerful calculation, to be effective for high-quality property valuation. It shows a way forward in which property valuation can be conducted in a more comprehensive, precise and cost-effective way with high-resolution remote sensing data and 3D data structure support. Moreover, it can be widely implemented and adapted to other fields, e.g. for setting the price standards for future property tax in China. The researchers recommend more exploration in two aspects in particular. First, visualization and quantification of 3D indicators can be developed further. Accuracy can be improved with a higher LOD. Besides this, different calculation techniques may influence the research outputs, so it is necessary to develop an efficient method for quantifying 3D indicators. Second, this research contained a huge amount of manual work. Therefore, further exploration of automated techniques is recommended.
Acknowledgments
This work was supported by ITC and thanks are due to Dr Jong Wang and Dr Xia Li for data support.
Further Reading
3D scenarios of the neighbourhoods studied: http://bit.ly/2IEA3Wy / http://bit.ly/2Iyl4NJ
Figure 4, The property price variations of a sample neighbourhood shown in 3D at the neighbourhood scale.
Figure 4, The property price variations of a sample neighbourhood shown in 3D at the neighbourhood scale.

&&&&&&&&&&&&&&&&&&&&&

  • Digg
  • Del.icio.us
  • StumbleUpon
  • Reddit
  • RSS

Herramientas QGIS para Evaluación de Impacto Ambiental




Herramientas QGIS para Evaluación de Impacto Ambiental


Los SIG, lejos de utilizarse para generar los convencionales mapas de alternativas planteadas en una Evaluación de Impacto Ambiental, también cuentan con herramientas recurrentes que no pueden faltar en el análisis territorial de cualquier técnico. Dentro de la EIA, la naturaleza del archivo ráster es la reina por excelencia del análisis ya que permite trabajar valores cuantitativos de manera continua a lo largo del territorio y poder así ponderar y evaluar las convencionales variables bajo las que trabaja matriz de análisis de impacto como la matriz de Leopold. Las destrezas en el manejo de herramientas ráster predominan en una EIA frente a las herramientas vectoriales, aunque siempre encontrarás infinidad de aplicaciones que te ayudarán a trabajar datos vectoriales para nutrir los inventarios ambientales de tus trabajos.
Aquí tienes un recopilatorio de algunas herramientas cartográficas y plugins de QGIS, junto a sus usos convencionales dentro de toda metodología de análisis de Evaluación de Impacto Ambiental, que no pueden faltar en tu lista de herramientas a utilizar cuando juegues con la carto.

Estadísticas de zona

La cartografía vectorial no es precisamente la naturaleza de archivo más rica en valores dentro de los análisis territoriales. Los Modelos Digitales de Terreno aportan datos cuantitativos que pueden ser analizados estadísticamente para obtener información proveniente de variables territoriales como la altitud, la pendiente, la erosión o datos climáticos como la temperatura y la precipitación. El principal problema que plantea la naturaleza ráster de los MDT es que no es posible combinar o cruzar sus datos de manera directa con cartografía vectorial. Sin embargo, existen herramientas cartográficas en QGIS, como la herramienta Estadísticas de zona, que te permitirán transferir los valores estadísticos de un ráster a elementos vectoriales analizando los datos estadísticos de la superficie coincidente.
Cálculo de estadísticas zonales en QGIS
Este tipo de herramientas te ayudará a analizar y evaluar información como las pendientes medias, temperaturas máximas, rugosidades o valores altitudes máximos a lo largo de una superficie, coordenada o trayecto.

Histogramas de zona

Los MDT empleados no siempre responderán a datos cuantitativos. También existen variables ambientales de carácter cualitativo disponibles en formato ráster. En ocasiones podrás encontrar tipologías de usos del suelo, teselas de vegetación, unidades ecológicas, zonas de riesgo y otras temáticas cualitativas bajo un formato ráster donde cada valor numérico está asociado a una tipología cualitativa.
Histograma zonal
La herramienta de Histograma zonal puede ayudarte a trabajar de manera análoga a la herramienta de estadísticas de zona, transfiriendo a tus límites espaciales de la zona de trabajo los datos cualitativos (también cuantitativos) de tu modelo ráster y mostrando el reparto de clases o tipologías de valores.  Por ejemplo, analizando el predominio de tipos de usos del suelo afectados.

Calculadora ráster

La calculadora ráster es la herramienta clave para trabajar el álgebra de mapas combinando variables ráster en un solo archivo. A modo de sencilla calculadora, podrás combinar matemáticamente dos o más variables ráster para conseguir identificar, mediante valores de píxel, aquellas zonas con una característica predominante. Por ejemplo, a la hora de analizar la resiliencia de las zonas afectadas.
Algebra de mapas en QGIS
Entre los aspectos que puedes trabajar con la calculadora ráster de QGIS, dentro de un análisis de Evaluación de Impacto Ambiental, encontrarás temáticas como:
  • Obtención de valores de fragilidad territorial
  • Zonas de mayor o menor impacto visual
  • Localización de hotspots de biodiversidad
  • Localización de zonas vulnerables ante vertidos
  • Zonas de mayor aptitud territorial en la reintroducción de especies
  • Lugares con mayor tendencia a la erosión

 

Datos de inventarios de biodiversidad

El plugin Occurrences que ofrece el GBIF para QGIS puede serte de gran apoyo a la hora de trabajar tus inventarios de flora y fauna y conseguir analizar el factor de biodiversidad trabajando mapas de distribución o riqueza de especies. Esta herramienta puede ser obtenida desde la sección de complementos de QGIS y te permitirá descargar sobre la vista, de forma directa, los datos de coordenadas de distribución de especies para filtrarlos por fuente o fecha.
Mapa y cartografía de especies mundiales
Otros plugins similares para conseguir inventarios de biodiversidad los puedes encontrar en Natusfera Species Explorer.

Reclasificación

Las herramientas de reclasificación te ayudará a reagrupar pixels para generar intervalos de valores estratégicos o reasignar nuevos valores a los píxels iniciales. De esta forma, ante un rampeado continuo de valores de píxel, podrás fragmentar estratégicamente un número de intervalos y convertir datos cuantitativos en datos cualitativos en los que, cada intervalo, responda a una cualidad territorial específica. Por ejemplo, clasificando los valores de pendientes en tres intervalos de baja, media y alta pendiente, o clasificar zonas de actuación y conservación bajo prioridades cuando analices la vulnerabilidad territorial.
Reclasificación de archivos ráster en QGIS
Podrás encontrar la herramienta de Reclasificación dentro de la caja de herramientas de procesos QGIS.
Reclasificar por capa en QGIS

Estadísticas de paisaje

El análisis de métricas y valores de fragmentación, fragilidad paisajística y número de clases territoriales es rutinario dentro de una Evaluación de Impacto Ambiental. QGIS tiene dos interesantes herramientas para trabajar índices y estadísticas territoriales a partir de capas de usos del suelo o de unidades territoriales. FragScape Landscape Ecology Statistics pueden ayudarte a conseguir métricas territoriales para analizar el impacto territorial, especialmente en temas de conservación y protección de hábitats.
Landscape Ecology Statistics para análisis de índices paisajísticos

Creación de mallas

Algunos análisis territoriales pueden requerir del uso de unidades homogéneas de trabajo como parcelas o cuadrículas. El desarrollo de mallas regulares puede emplearse para sectorizar el territorio y evaluar cada unidad administrativa de manera independiente o compararla con el resto de unidades.
QGIS dispone en su caja de herramientas, una sencilla aplicación de Creación de cuadrículas que te permitirá sectorizar el territorio en unidades de igual tamaño, ya sea en forma de cuadrículas, hexágonos o rombos. Asignándole a cada cuadrícula un código identificativos y empleando las herramientas de estadísticas zonales podrás ilustrar datos a lo largo de la malla. Por ejemplo, a la hora de desarrollar mapas de riqueza de especie, acumulación de impacto o vulnerabilidad, pudiendo realzar las zonas más relevantes del territorio ayudándote de tu grid vectorial.
Creación de mallas fishnet en QGIS

Intersecar estratégicamente entidades lineales

Seguramente conozcas la tradicional herramienta Intersect para cruzar polígonos y obtener superficies comunes entre dos capas. Aunque no lo creas, la herramienta de intersecar también puede ser utilizada estratégicamente entre dos capas de líneas para generar capas de puntos en los lugares de cruce. Y para ello, QGIS, dispone de una variante de esta herramienta que podrás encontrar en el menú superior dentro del grupo de Herramientas de análisis.
Intersecar líneas
Esta sencilla dinámica de superposición de líneas para generar puntos puede ayudarte a cruzar límites antrópicos con límites naturales y obtener datos relevantes en los análisis de impacto ambiental y medidas de mitigación. Por ejemplo, trabajando límites administrativos, límites de cuencas, ríos, carreteras o corredores naturales para disponer de cartografía de localización de:
  • Puntos de muestreo y control de aguas: por ejemplo entre ríos y límites de cuencas.
  • Pasos de fauna: cruzando carreteras y corredores ecológicos.
  • Barreras territoriales o cuellos de botella: cruzando ríos con caminos naturales o corredores.

Kernel

El método de interpolación de Kernel es una de las estrategias de interpolación de datos más empleados en los mapas. Trabajar radios de búsqueda para coordenadas de distribución basadas en datos de densidad, número de individuos o niveles de contaminación y ruido, es una de las opciones que dispones para generar ráster continuos e incluso elaborar mapas de calor para identificar hotspots. Puedes recurrir a la herramienta Kernel density estimation, o la herramienta de Mapas de calor, incorporando la cartografía de coordenadas de distribución de la variable ambiental que estés trabajando.
Mapas de densidad kernel en QGIS

Análisis multiespectral

Las imágenes satélite también tienen su lugar estratégico dentro de la Evaluación de Impacto Ambiental. Pueden ayudarte como imágenes de base en la composición de los mapas, componer índices multiespectrales temáticos o identificar la presencia de masas de agua líquida y sólida, zonas afectadas por incendios o desastres naturales, localizar masas vegetales, evaluar el crecimiento vegetal o analizar las tasas de cambio ocurridas en el tiempo.
El plugin SCP para QGIS te ayudará a realizar búsquedas de imágenes satélite, podrás descargarlas y analizar sus bandas para evaluar aspectos territoriales como el impacto antrópico, la evolución de la vegetación, la severidad de incendios o el flujo hidrológico de las masas de agua. Si juegas con varias imágenes a escala multitemporal podrás documentar la evolución de los ecosistemas o los impactos generados en el territorio a través de timelapses.
Imagenes satelite en QGIS

Mapas de visibilidad

No hay Evaluación de Impacto Ambiental que no se preste a tener un mapa de impacto visual en el territorio. Y las herramientas de análisis de cuencas visuales son una de las herramientas más demandadas y diversificadas en cualquier SIG de escritorio. Entre las infinitas opciones que tienes en QGIS para trabajar cuencas visuales, puedes recurrir al plugin Visibility Analysis. Con ayuda de un Modelo Digital de Elevación podrás incorporar radios y alturas de visión en el medio para acotar la cuenca visual de impacto del proyecto y representar los resultados, ya sea a través de una trayectoria o mediante puntos de observación.
Mapas de visibilidad

  • Digg
  • Del.icio.us
  • StumbleUpon
  • Reddit
  • RSS

Cómo hacer mapas lunares

$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$

Cómo hacer mapas lunares


$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$

Romel-2020
Descarga e importación de datos
El sistema de servicio de información y liberación de datos del proyecto de exploración lunar es la plataforma oficial de datos de exploración lunar en China: http://moon.bao.ac.cn/index.jsp. El sitio web proporciona datos científicos obtenidos por la serie Chang'e de satélites de exploración de la luna, muestras de la luna y datos multimedia, todos ellos se pueden descargar de forma gratuita después de un simple registro.
Figura: Página de inicio del sistema de servicio de información y liberación de datos del proyecto de exploración lunar
Descargue los datos de la luna llena de Chang'e-1 en el enlace rápido proporcionado en la página de inicio.
DEM: resolución 500 metros, formato-tif, el sistema de coordenadas incorporado-proyección cilíndrica
DOM: resolución 120 metros, formato-tif, el sistema de coordenadas incorporado-proyección cilíndrica
Después de descargar y descomprimir, los datos se pueden importar a SuperMap iDesktopX como un ráster.
Figura: Luna llena DEM
Figura: DOM de luna llena
Generar terreno
En iDesktop, usando "Análisis espacial" - "Análisis de superficie" - "Mapa de renderizado 3D" para generar un terreno 3D mediante datos DEM. Para ver más detalles del terreno, se sugiere que el valor del parámetro del factor z sea 5.
 
Figura: terreno lunar
Hacer un mapa
Establezca la transparencia del DEM al 40% y superpongala en el terreno lunar para obtener el mapa de representación 3D común. Los usuarios también pueden ajustar el brillo y el contraste de la capa adecuadamente para lograr un efecto de visualización más ideal.
 
Figura: Mapa de representación 3D de la luna (Tabla de colores 1)
Figura: Mapa de representación 3D de la luna (Tabla de colores 2)
Del mismo modo, establezca la transparencia del DEM al 40% y superponga la capa de sombra del terreno. El efecto como:
 
Figura: Mapa del terreno de la imagen de la luna
Las imágenes de arriba aplican tecnología de proyecciones cilíndricas simples, es decir, proyecciones cilíndricas equidistantes. Los usuarios pueden seleccionar "Atributos del mapa" - "Proyección dinámica" y establecer la proyección en la proyección hemisférica de los polos norte y sur de la luna. Como se muestra en las siguientes figuras: la izquierda es desde la perspectiva del polo norte, y la derecha es desde la perspectiva del polo sur:
 
Figura: Representación 3D de la luna (perspectiva del hemisferio, tabla de colores 1)
 
Figura: Representación 3D de la luna (perspectiva del hemisferio, tabla de colores 2)
Figura: Mapa del terreno de la imagen de la luna (perspectiva del hemisferio)
Como podemos ver en los mapas, hay muchos baches circulares brillantes u oscuros en la superficie de la luna. De hecho, la mayoría de las áreas brillantes son cráteres, donde las rocas espaciales golpean la superficie de la luna. Los puntos oscuros se llaman "mar" debido a las erupciones volcánicas, que es diferente del concepto del "mar" de la tierra. El sistema proporciona varios tipos de datos de nombres geográficos, incluyendo yegua lunar, cráteres anulares y puntos de aterrizaje en la luna. El formato de datos es shp y se puede descargar por categoría en la página.
%%%%%%%%%%%%%%%%%

  • Digg
  • Del.icio.us
  • StumbleUpon
  • Reddit
  • RSS