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…
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.
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:
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.
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.
La herramienta ubicación geoespacial muestra en todo momento las coordenadas X e Y por las que se pasa con el ratón.
*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.
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.
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).
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.
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%.
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.
