Mais

Sobreponha uma forma em uma forma de grade e determine a porcentagem de cada célula que está sobreposta

Sobreponha uma forma em uma forma de grade e determine a porcentagem de cada célula que está sobreposta


Gostaria de saber como posso sobrepor um shapefile (A) em outro shapefile em grade (B) e extrair as informações sobre quais polígonos do shapefile (A) caem em cada célula (B). E, mais especificamente, gostaria de saber como posso determinar a porcentagem de cada célula que é sobreposta por um shapefile.


Supondo que você esteja usando ArcMap:

  • Certifique-se de que cada quadrado é um polígono com um número de identificação exclusivo.
  • Execute uma união do novo clipped-grid.shp e dos polígonos originais.
  • O union.shp resultante deve informar o ID do quadrado original que foi recortado e o nome do polígono que o sobrepôs.
  • Crie uma nova coluna "Áreas" e use Calcular geometria para calcular a área de cada recurso.
  • Crie uma segunda coluna chamada "Porcentagem" e preencha-a usando a Calculadora de Campo: [Porcentagem] = [Áreas] / X * 100 (onde x é o tamanho do quadrado original).

A influência passada e futura dos sistemas de informação geográfica na pesquisa de zona híbrida, filogeográfica e de especiação

Nas últimas duas décadas, os geógrafos desenvolveram uma tecnologia cada vez mais sofisticada, denominada sistema de informações geográficas (GIS). Um GIS tem a capacidade de armazenar, mapear e analisar dados espaciais. As poderosas capacidades analíticas de um GIS podem servir para aumentar nossa compreensão do componente espacial do processo evolutivo. Em particular, filogeógrafos, pesquisadores de zonas híbridas e especiação poderiam se beneficiar enormemente com a incorporação desta tecnologia sofisticada da disciplina de geografia, já que o fizeram prontamente em outras disciplinas (por exemplo, genética). De fato, um número crescente de pesquisadores nessas áreas está começando a incluir análises GIS em seus programas de pesquisa. Parte dessa integração assumiu a forma de análise da relação espacial entre populações e zonas híbridas. Vários outros pesquisadores também começaram a incorporar o GIS em seus trabalhos por meio do uso de modelos de nicho baseados em GIS. Esses modelos estimam um nicho multidimensional para uma espécie usando populações georreferenciadas conhecidas e mapas climáticos digitais. Aqui, eu reviso a recente integração de GIS e modelos de nicho preditivos baseados em GIS nas subdisciplinas evolutivas acima. Também descrevo análises evolutivas que poderiam ser aprimoradas ainda mais por meio da implementação de GIS.


Abstrato

A pecuária contribui diretamente para a subsistência e segurança alimentar de quase um bilhão de pessoas e afeta a dieta e a saúde de muitas mais. Com populações estimadas em pé de 1,43 bilhões de bovinos, 1,87 bilhões de ovelhas e cabras, 0,98 bilhões de porcos e 19,60 bilhões de galinhas, informações confiáveis ​​e acessíveis sobre a distribuição e abundância de gado são necessárias por várias razões. Estes incluem análises dos aspectos sociais e econômicos do setor pecuário, os impactos ambientais da pecuária, como a produção e gestão de resíduos, as emissões de gases de efeito estufa e as mudanças no uso da terra relacionadas à pecuária e pesquisas epidemiológicas e de saúde pública em grande escala. O banco de dados Gridded Livestock of the World (GLW), produzido em 2007, forneceu densidades pecuárias modeladas do mundo, ajustadas para coincidir com as estimativas nacionais oficiais (FAOSTAT) para o ano de referência de 2005, em uma resolução espacial de 3 minutos de arco (cerca de 5 × 5 km no equador). Melhorias metodológicas recentes aumentaram significativamente essas distribuições: estatísticas de gado subnacionais mais atualizadas e detalhadas foram coletadas, um novo conjunto de variáveis ​​preditoras de maior resolução é usado e o procedimento analítico foi revisado e estendido para incluir uma avaliação mais sistemática de precisão do modelo e a representação de incertezas associadas às previsões. Este artigo descreve a abordagem atual em detalhes e apresenta novos mapas de distribuição global com resolução de 1 km para bovinos, porcos e galinhas, e um mapa de distribuição parcial para patos. Essas camadas digitais são disponibilizadas publicamente por meio do Livestock Geo-Wiki (http://www.livestock.geo-wiki.org), assim como os mapas de outros tipos de gado à medida que são produzidos.

Citação: Robinson TP, Wint GRW, Conchedda G, Van Boeckel TP, Ercoli V, Palamara E, et al. (2014) Mapping the Global Distribution of Livestock. PLoS ONE 9 (5): e96084. https://doi.org/10.1371/journal.pone.0096084

Editor: Matthew Baylis, University of Liverpool, Reino Unido

Recebido: 11 de novembro de 2013 Aceitaram: 2 de abril de 2014 Publicados: 29 de maio de 2014

Direito autoral: © 2014 Robinson et al. Este é um artigo de acesso aberto distribuído sob os termos da Licença de Atribuição Creative Commons, que permite o uso irrestrito, distribuição e reprodução em qualquer meio, desde que o autor original e a fonte sejam creditados.

Financiamento: O TPR é financiado pelo seguinte Grupo Consultivo sobre Programas de Pesquisa Agrícola Internacional (CGIAR): Mudanças Climáticas Úmidas, Agricultura e Segurança Alimentar (CCAFS) e Agricultura para Nutrição e Saúde (A4NH). MG e TPVB são financiados pelo ‘Fonds National de la Recherche Scientifique’ (FNRS). O SIH é financiado por uma bolsa de pesquisa sênior do Wellcome Trust (# 095066) e recebe o apoio da Li Ka Shing Foundation. O SIH também reconhece o apoio financeiro do programa de Pesquisa e Política para Dinâmica de Doenças Infecciosas (RAPIDD) da Diretoria de Ciência e Tecnologia, Departamento de Segurança Interna e Fogarty International Center (FIC), National Institutes of Health (NIH). A maior parte deste trabalho foi financiado por vários programas e projetos dentro da Divisão de Produção e Saúde Animal (AGA) da Organização para Alimentação e Agricultura (FAO) das Nações Unidas: em particular, o Pro, financiado pelo Departamento de Desenvolvimento Internacional do Reino Unido (DFID). - Poor Livestock Policy Initiative e o programa Emerging Pandemic Threats Plus (EPT +) financiado pela USAID. Outros contribuintes incluem as bolsas NIH FIC dos Estados Unidos: 3R01TW007869-03 e 1R56TW009502-01 e o FNRS Projet de Recherche (PDR) T.0073.13. Os financiadores não tiveram nenhum papel no desenho do estudo, coleta e análise de dados, decisão de publicar ou preparação do manuscrito.

Interesses competitivos: Os autores declararam que não existem interesses conflitantes.


5 respostas 5

Suponha que a Terra seja uma esfera com raio R = 6371 km.

Comece em (latitude, longitude) = (0, 0) graus. Em torno do equador, 3km corresponde a uma mudança na longitude de

Se caminharmos ao redor do equador e colocarmos um marcador a cada 3 km, haverá cerca de (2 * pi * R) / 3 = 13343,3912 deles. "Sobre" porque é sua decisão como lidar com os 0,3912 extras.

De (0, 0), caminhamos 3 km para o norte até (lat, long) (0,0269796482, 0). Voltaremos a caminhar ao redor da Terra por um caminho localmente paralelo ao primeiro caminho que percorremos. Por estar um pouco mais próximo do Pólo N, o raio deste círculo é um pouco menor do que o do primeiro círculo que percorremos. Vamos usar r minúsculo para este raio

Calculamos dlong novamente usando o raio menor,

Colocamos o segundo conjunto de bandeiras. Desta vez, há cerca de (2 * pi * r) / 3 = 13 338,5352 deles. Antes eram 13.343, mas agora são 13.338. O que é isso? cinco a menos.

Como desenhamos uma fita de quadrados quando há cinco cantos a menos na linha superior? Na verdade, conforme caminhávamos ao redor da Terra, descobriríamos que começamos com quadrados muito bons, mas que a forma das regiões se dividiu em paralelogramos bastante extremos.

Precisamos de uma estratégia diferente que nos dê o mesmo número de cantos acima e abaixo. Se o limite inferior (SW-SE) tem 3 km de comprimento, então o topo deve ser um pouco mais curto, para fazer uma faixa de trapézios.

Há muitas maneiras de criar um meio-termo que se aproxime de sua grade quadrada ideal. Este artigo da Wikipedia sobre projeções de mapas que preservam uma propriedade métrica, links para várias dezenas de estratégias.

As especificações do seu aplicativo podem permitir que você simplifique as coisas consideravelmente, especialmente se você realmente não precisa mapear o globo inteiro.


4 geometria 2D

4.1 UPLAN

UPLAN é um algoritmo eficiente para o planejamento de caminhos em redes viárias com restrições poligonais. U PLAN é baseado no algoritmo A * e usa uma grade uniforme para indexar de forma eficiente os obstáculos. UPLAN pode processar com eficiência muitos obstáculos poligonais. UPLAN foi o 2º colocado no concurso ACM GISCUP 2015.

  • Salles V. G. Magalhães, Marcus V. A. Andrade, W. Randolph Franklin e Wenli Li. Planejamento de via rápida sob restrições de obstáculos poligonais. Dentro 4ª competição de algoritmos com foco em GIS, GISCUP 2015, co-localizada com ACM SIGSPATIAL GIS . Bellevue WA EUA, 4 de novembro de 2015. Vencedor (2º lugar).
    [detalhes] [texto completo] [BibTeX ▼]

4.2 Sobreposição de EPUG

EPUG-Overlay (Exact Parallel Uniform Grid Overlay) é um algoritmo para sobrepor dois mapas que é rápido e paralelo, não tem erros de arredondamento e está disponível gratuitamente. EPUG-Overlay combina vários aspectos novos. Ele representa coordenadas com números racionais, garantindo assim cálculos exatos sem erros de arredondamento e os problemas de fita resultantes e impossibilidades topológicas. Para maior eficiência, o EPUG-Overlay executa a sobreposição do mapa em paralelo, utilizando assim a arquitetura multicore onipresente. Nossa aplicação vai além de meramente usar pacotes existentes, que são ineficientes quando usados ​​em paralelo em grandes problemas. De fato, a sobreposição de dois mapas com 53.000.000 bordas e 730.000 faces levou apenas 322 segundos decorridos (mais 116 segundos para E / S) em uma estação de trabalho Intel Xeon E5-2687 dual 8-core 3.1 GHz. Em contraste, GRASS, executando sequencialmente e gerando erros de arredondamento, leva 5300 segundos.

A operação de sobreposição combina dois mapas de entrada (gráficos planares) contendo faces (polígonos) separados por arestas de polilinha (cadeias), em um novo mapa, cada uma das faces é a interseção de uma face de cada mapa de entrada. Erros de arredondamento de ponto flutuante podem fazer com que uma interseção de aresta seja perdida ou o ponto de interseção calculado esteja em uma face errada, levando a uma inconsistência topológica. Assim, um programa pode falhar em computar um mapa de saída válido, usando qualquer quantidade de tempo. Isso fica pior quando as entradas são maiores ou têm lascas. As heurísticas podem amenizar esse problema, mas apenas até certo ponto.

Ao representar cada coordenada como uma fração vulgar, com numerador e denominador de multiprecisão, o cálculo é exato. O EPUG-Overlay também executa vários subproblemas úteis muito rapidamente, como localizar um conjunto de pontos em um gráfico planar e encontrar todas as interseções entre um grande conjunto de pequenas arestas. A sobreposição de EPUG é construída em nosso algoritmo de ponto flutuante sequencial anterior que encontrou as áreas dos polígonos de sobreposição, sem encontrar os próprios polígonos.

  • W. Randolph Franklin, Salles V. G. de Magalhães e Marcus V. A. Andrade. Sobreposição 3D-EPUG: intersecção de triangulações 3D muito grandes em paralelo. Dentro Conferência SIAM 2017 sobre geometria industrial e aplicada. Pittsburgh PA USA, 10–12 de julho de 2017. (conversa).
    [resumo ▼] [detalhes] [slides] [BibTeX ▼]
  • Salles V. G. de Magalhães, Marcus V. A. Andrade, W. Randolph Franklin, Wenli Li e Maurício Gouvêa Gruppi. Interseção exata de modelos geométricos 3D. Dentro Geoinfo 2016, XVII Simpósio Brasileiro de Geoinformática. Campos do Jordão, SP, Brasil, novembro de 2016.
    [resumo ▼] [detalhes] [texto completo] [slides] [BibTeX ▼]

4.3 Grid-Gen

Grid-Gen é uma heurística eficiente para simplificação de mapas. Grid-Gen lida com uma variação do problema de generalização onde a ideia é simplificar as polilinhas de um mapa sem alterar as relações topológicas entre essas polilinhas ou entre as linhas e os pontos de controle. O Grid-Gen usa uma grade uniforme para acelerar o processo de simplificação e pode lidar com um mapa com mais de 3 milhões de pontos de polilinha e 10 milhões de pontos de controle em 9 segundos em um laptop Lenovo T430s.

Foi o quarto algoritmo mais rápido do GISCUP 2014, mas foi o único a processar todos os conjuntos de dados sem criar nenhum erro topológico.

  • Salles V. G. de Magalhães, W. Randolph Franklin, Wenli Li e Marcus V. A. Andrade. Heurística de generalização de mapa rápida com uma grade uniforme. Dentro 22ª Conferência Internacional ACM SIGSPATIAL sobre Avanços em Sistemas de Informação Geográfica (ACM SIGSPATIAL 2014) . Dallas, Texas, EUA, 4 a 7 de novembro de 2014.
    [detalhes] [BibTeX ▼]

4.4 ANOTB

Este programa Fortran IV de 1973 calcula qualquer uma das 16 combinações booleanas possíveis de dois polígonos. Os polígonos podem ter vários loops separados de bordas, que podem ser aninhados.

O algoritmo começa em um ponto de interseção entre uma aresta do polígono A e uma aresta do polígono B. Ele usa uma tabela de decisão para escolher qual das quatro direções possíveis seguir. Em cada interseção sucessiva, ele também usa uma tabela de decisão para escolher a próxima direção.

Em seguida, ele processa loops de borda que não têm interseções com o outro polígono. Cada loop é incluído em sua direção original, incluído na outra direção ou excluído.

Fonte Anotb. Os erros do compilador são causados ​​por alterações incompatíveis da linguagem Fortran desde que escrevi isto.

4.5 TESSEL

Este programa de 1972 pega um conjunto de arestas que formam um gráfico planar.

Considere um gráfico plano de vértices, arestas e faces. Se tudo o que é conhecido são as localizações dos vértices e quais vértices estão nas extremidades de cada aresta, então este programa encontrará as faces.

Fonte da Tessel. Os erros do compilador são causados ​​por alterações incompatíveis da linguagem Fortran desde que escrevi isto.

4.6 PNPOLY

PNPOLY (1970) testa se um ponto de teste está contido em um determinado polígono. São apenas 8 linhas de código C executável.


Abstrato

As contribuições para a literatura quantitativa da guerra civil dependem cada vez mais de dados georreferenciados e desenhos de pesquisa desagregados. Embora seja uma tendência bem-vinda, ela requer habilidades em sistemas de informações geográficas (GIS) e impõe novos desafios para a coleta e análise de dados. Até agora, as soluções para esses desafios diferem entre os estudos, obstruindo a comparação direta dos resultados e dificultando a replicação e extensão do trabalho anterior. Este artigo apresenta uma estrutura padronizada para armazenar, manipular e analisar dados espaciais de alta resolução. PRIO-GRID é uma rede de grade vetorial com resolução de 0,5 x 0,5 graus decimais, cobrindo todas as áreas terrestres do mundo. Os dados em grade compreendem entidades inerentemente apolíticas, as células da grade são fixas no tempo e no espaço, são insensíveis aos limites e desenvolvimentos políticos e são completamente exógenos a prováveis ​​características de interesse, como a eclosão de uma guerra civil, padrões étnicos de assentamento, eventos climáticos extremos, ou a distribuição espacial da riqueza. Além disso, ao contrário de outras abordagens desagregadas, os dados em grade podem ser aumentados ou reduzidos de maneira consistente, variando a resolução da grade. O conjunto de dados lançado vem com informações específicas da célula em uma grande seleção de variáveis ​​políticas, econômicas, demográficas, ambientais e de conflito para todos os anos, 1946-2008. Uma avaliação simples de dados descritivos da densidade populacional e da atividade econômica é oferecida para demonstrar como o PRIO-GRID pode ser aplicado em pesquisas quantitativas em ciências sociais.


Resultados

Neste estudo, a distribuição espacial ótima de certas zonas de uso da terra no condado de Qaleh Ganj foi determinada. Mapas de adequação foram produzidos com base em uma combinação de abordagens de agregação WLC e OWA e, em seguida, um mapa de adequação de uso da terra ideal foi produzido combinando 7 mapas de adequação via MOLA.

Avaliação da adequação do tipo de uso do solo

Os resultados da abordagem combinada WLC e OWA são mostrados na Tabela 5. Também os mapas de adequação produzidos com essas abordagens estão presentes na Fig. 4. Os resultados mostram que o ecoturismo, com 36,78%, tem o maior potencial, seguido por pastagens (25,32%), horticultura (13,74%), desenvolvimento industrial (12,15%), terras aráveis ​​(6,53%), também turismo (0,28%) e aquicultura (0,15%) que apresentam o menor potencial neste município.

Mapas de adequação de transição para diferentes tipos de uso da terra usando os módulos WLC e OWA do MCE no condado de Qaleh Ganj, Irã

De acordo com a Tabela 5, embora o ecoturismo tenha o maior percentual de áreas de aptidão em toda a área, a maioria dessas áreas está na classe de aptidão média e apenas 0,11 por cento da área total de aptidão está na classe de aptidão alta. Já o desenvolvimento industrial mostra a maior área de aptidão na classe de alta aptidão (11,5%).

Os resultados da classe de adequação se todos os fatores (fatores relevantes para o custo e fatores relevantes para o meio ambiente) puderem ser totalmente compensados ​​e tiverem risco médio que também é apresentado na Tabela 6, para comparação. A faixa de valores (valor mínimo e máximo de adequação) para essas duas abordagens está resumida na Tabela 7.

Se uma compensação total com o risco médio para todos os fatores for feita usando WLC, uma faixa mais alta de valor de adequação e a área é reconhecida para sete usos de terra, enquanto que o controle de compromisso (sem compensação, baixo risco) usando OWA , a faixa de valor de adequação para todos os usos da terra tende a diminuir (Tabela 7). No entanto, de acordo com a classificação de adequação, como fica claro, a maior área é dedicada à classe de alta adequação, onde os usuários controlam o trade-off e o risco entre fatores distintos (WLC e OWA), enquanto o trade-off completo e a média risco entre todos os fatores são aplicados pela combinação WLC, a maioria da área é dedicada à classe de aptidão média.

Planejamento do uso da terra para a distribuição espacial ideal

Os resultados dos mapas de adequação (combinação WLC-OWA) são usados ​​para o processo de zoneamento pelo módulo MOLA em GIS. O MOLA resultou em um mapa de zoneamento que mostra a distribuição espacial ideal para os 7 usos da terra no condado de Qaleh Ganj. A porcentagem calculada de cada zona após o zoneamento e modificação pós-processo é zona de pastagem, 30,80% zona de ecoturismo, 22,9% zona de horticultura, 12,8% zona de terra arável, 8,4% de desenvolvimento industrial, 2,1% zona de aquicultura, 0,26% e turismo zona, 0,24% da área de estudo (Tabela 8). Cerca de 22,37% de toda a região está sem potencial para qualquer uso do solo, devido às restrições estabelecidas durante o processo de MCE, a maioria das quais inclui áreas vulneráveis, como falhas geológicas ou áreas protegidas. A Tabela 9 mostra a área de usos do solo existentes na área de estudo. Os resultados deste estudo indicaram que as diferenças entre o uso da terra existente e o potencial são aparentes. No zoneamento de uso potencial da terra, alguns usos da terra, como desenvolvimento industrial ou horticultura e ecoturismo, mostraram forte potencial na região, mas são ignorados no uso atual da terra da área de estudo (Fig. 5). Porém, podemos ver que algumas áreas selecionadas já atendiam aos mesmos usos na região. Por exemplo, a beira da estrada localizada no meio do condado é usada principalmente para terras aráveis ​​(com base no mapa de uso da terra existente, Fig. 5). Por exemplo, a beira da estrada no meio da cidade é usada principalmente para terrenos utilizáveis ​​(com base no mapa de uso do solo existente, Fig. 5). Da mesma forma, este estudo mostra um elevado potencial de terras aráveis ​​nesta área do concelho. Os resultados da modificação das zonas de uso da terra após a operação de pós-processamento são mostrados na Fig. 6.

Mapa de uso da terra existente do condado de Qaleh Ganj, Irã

Mapa final de zoneamento de uso da terra no condado de Qaleh Ganj, Irã


Modelo de dados raster e sua aplicação

O modelo de dados raster se parece mais com uma fotografia do que com um mapa. Se uma fotografia for vista através de uma lupa forte, verá que ela é composta por uma série de pontos de diferentes cores ou tons de cinza. O modelo de dados raster funciona de maneira semelhante, é uma grade regular de pontos (chamados de células ou pixels) preenchidos com valores. Na verdade, quando uma imagem é armazenada em um computador, o modelo de dados raster é usado.

Na foto abaixo, são ruas, casas e vegetação. Observe que não há limites desenhados na fotografia para distinguir características de uma superfície contínua. Usando o modelo de dados raster, a Terra é tratada como uma superfície contínua.

Existem três maneiras de interpretar cada ponto na fotografia. O primeiro é classificar cada ponto como pertencente a algo - um grupo de pixels classificados de forma semelhante torna-se um objeto, como a rua. A segunda maneira de interpretar é simplesmente medir o valor de sua cor ou tonalidade de cinza - o pixel no canto superior esquerdo seria preto, enquanto o pixel no canto inferior direito seria cinza médio. A terceira maneira é definir o pixel em relação a um ponto de referência conhecido, como o nível médio do mar (para elevação) ou o ponto de um derramamento de óleo. Na fotografia acima, a altura dos edifícios e da vegetação pode ser medida em relação ao nível da rua.

As mesmas três interpretações podem ser usadas para o modelo de dados raster em GIS. O valor da célula pode representar uma classificação, como tipo de vegetação. Pode ser uma medição, como um satélite medindo a quantidade de luz refletida pela Terra. Finalmente, pode ser uma interpretação de elevação (ESRI, 1998).

7.2 Estrutura do Modelo de Dados Raster

No modelo de dados raster, cada local é representado como uma célula. A matriz de células, organizada em linhas e colunas, é chamada de grade. Cada linha contém um grupo de células com valores que representam um fenômeno geográfico. Os valores das células são números, que representam dados nominais, como classes de uso do solo, medidas de intensidade de luz ou medidas relativas.

Como o modelo de dados vetoriais, o modelo de dados raster pode representar recursos discretos de pontos, linhas e áreas. Um recurso de ponto é representado como um valor em uma única célula, um recurso linear como uma série de células conectadas que retratam o comprimento de um recurso de área como um grupo de células conectadas retratando a forma (como acima).

A precisão de um mapa depende da escala do mapa. No modelo raster, a resolução e, portanto, a precisão, dependem da área do mundo real representada por cada célula da grade. Quanto maior for a área representada, menor será a resolução dos dados. Quanto menor for a área coberta, maior será a resolução e mais precisamente os recursos serão representados.

Como o modelo de dados raster é uma grade regular, os relacionamentos espaciais estão implícitos. Portanto, o armazenamento explícito de relacionamentos espaciais não é necessário, pois é para o modelo de dados vetoriais.

Observe que em uma grade, as células têm oito (8) vizinhos (exceto aqueles nas bordas externas) quatro fora dos cantos e quatro fora dos lados. As células são identificadas por sua posição na grade. No exemplo ao lado, com uma origem no canto superior esquerdo, a célula (3, 2) seria 3 ao longo do eixo xe 2 abaixo no eixo y. Encontrar qualquer um dos oito vizinhos simplesmente requer adicionar ou subtrair um (1) dos valores x ou y. Por exemplo, o valor à esquerda de (3, 2) é (3-1, 2) ou (2, 2).

Os dados rasterizados são georreferenciados especificando-se o sistema de coordenadas no qual uma grade está registrada, a localização do ponto de referência no mundo real e o tamanho da célula em distâncias do mundo real. Normalmente, o canto superior esquerdo ou inferior esquerdo da grade é usado como ponto de referência. Esta localização do ponto de referência, junto com o tamanho da célula, pode ser usada para determinar a localização geográfica de qualquer célula dentro do conjunto de dados raster. Usando o mesmo sistema de coordenadas, conjuntos de dados raster podem ser organizados logicamente em assuntos para análise geográfica (ESRI, 1998).

7.3 Métodos para determinar os valores das células raster

Existem quatro métodos principais para determinar os valores das células: centróide, tipo predominante, tipo mais importante e repartição percentual. Cada método foi projetado para representar um determinado tipo de dados melhor do que o outro. A escolha do método depende do tipo de dados a serem colocados em grade e da análise a ser realizada. GRID atualmente suporta o tipo predominante e o tipo mais importante de métodos de grade.

Usando este método, cada célula recebe o valor do recurso que passa pelo centro da célula. Este método pode ser usado para qualquer tipo de recurso, mas é particularmente útil na codificação de dados contínuos, como elevação, movimento de ruído ou fluxo de fluido. É nesse local (o centro da célula) que uma amostra será coletada e um valor de superfície será registrado (ESRI, 1998).

Método de tipo predominante (ponderação por maioria)

O valor do recurso que preenche a maior parte da célula é atribuído ao local. Considere, por exemplo, que uma grade é sobreposta no processo de grade em uma cobertura de vegetação. Uma célula específica resultante do processo consiste em 20% de carvalho, 35% de bordo e 45% de pinho. Com a grade do tipo predominante, a célula receberá o valor associado à classe de característica pinho, uma vez que o pinho preenche mais a célula do que qualquer outro tipo de vegetação. Este método é bom para dados discretos ou não contínuos, como cobertura da terra, vegetação ou solos, onde os limites dos objetos podem ser definidos e seus valores associados atribuídos à célula quando ela ocupa a maior parte da célula (ESRI, 1998).

Método de tipo mais importante

Cada célula recebe o valor associado aos recursos que foram especificados como mais importantes para o estudo. Por exemplo, se alguém está estudando a vegetação de uma área específica, ele pode querer manter a identidade dos locais ou zonas que contêm espécies de plantas ameaçadas, mesmo que as plantas ameaçadas não preencham a maior parte da grade ou caiam no centro da célula (ESRI, 1998).

Método de repartição percentual

Nesse método, vários valores são atribuídos a uma célula, um por recurso, de acordo com a porcentagem que cada recurso ocupa na célula. Este é um método difícil e caro de implementar na entrada de dados. No entanto, pode ser especialmente útil para dados estatísticos (ESRI, 1998).

7.4 Armazenamento Raster e Técnicas de Compressão

Técnicas de compressão foram desenvolvidas para reduzir o tamanho de um banco de dados baseado em células. Os dados que consistem em grandes recursos homogêneos podem ser melhor compactados do que os dados que consistem em pequenos polígonos fragmentados. Técnicas de compactação específicas compactam alguns dados melhor do que outros, mas nenhuma técnica de compactação compacta todos os tipos de dados de maneira mais eficaz do que outra. As técnicas de compressão populares são discutidas a seguir (ESRI, 1998).

Para dados que possuem um valor exclusivo para cada célula, não há como compactar as informações. Isso geralmente é verdadeiro para grades de ponto flutuante ou superfícies contínuas, como dados de elevação, superfície de declive e grades de poluição sonora. A linha e a coluna identificam o local e o valor define o atributo.

O armazenamento célula a célula da grade simples acima pode aparecer da seguinte forma,

2,1 : 02,2 : 0 . 2,10: 1, 2,11 : 1 . 2, 16 : 0

3,1 : 03,2 : 0 . 3,5 : 13,6 : 13,7 : 1,3,8 : 1 .

O primeiro valor representa o número da linha e é seguido por uma vírgula. O segundo valor é o número da coluna. O número após os dois pontos é o valor atribuído à célula. O armazenamento real do código célula a célula no computador pode variar amplamente de acordo com a implementação da teoria pelo software.

Quando as células adjacentes têm o mesmo valor, são criadas execuções e os dados podem ser compactados. A codificação de comprimento de execução armazena dados por linha. Uma linha é identificada primeiro, seguida pelas colunas e o valor associado à localização linha-coluna. As informações do intervalo da coluna são armazenadas como coluna de a coluna, juntamente com o valor associado a essa célula ou grupo de células. Se duas ou mais células adjacentes tiverem o mesmo valor, apenas as colunas de e para e o valor serão armazenados. Quanto mais colunas puderem ser incluídas na identificação da coluna e para a coluna como tendo o mesmo valor, maior será a compactação.

Para representar a grade acima no código de comprimento de execução pode parecer o seguinte,

2 : 1 - 9 : 0 10 - 11 : 1 12 - 16 : 0

3 : 1 - 4 : 0 5 - 12 : 1 13 - 16 : 0. . .

A abordagem de árvore quádrupla para codificação primeiro divide uma grade (ou matriz) em quatro quadrados menores iguais quando as células na grade têm valores diferentes. Se todas as células em qualquer um dos quatro quadrados menores tiverem o mesmo valor, o quadrado não será mais dividido. No entanto, se houver células com valores diferentes (portanto, o quadrado não consiste em todas as células homogêneas), esse quadrado deve ser subdividido em mais quatro quadrados iguais. Este processo continua até que cada quadrado represente apenas células com os mesmos valores.

A árvore quádrupla tem esse nome porque os quadrados são armazenados em uma árvore hierárquica. A árvore começa com um galho e depois produz quatro galhos. Cada vez que um quadrado é dividido, ele é sempre dividido em mais quatro galhos, e a árvore quádrupla sobe um nível. Quando os quadrantes ou quadrados não precisam mais ser subdivididos, um valor é atribuído para representar cada ramo e nível.

Como acontece com todas as técnicas de compressão, as informações da vizinhança imediata 3 x 3 da célula de processamento ou de sua vizinhança estendida não são armazenadas com a célula. Para obter informações sobre as células vizinhas e seus valores conforme se relacionam a uma única célula, a grade deve ser expandida para a grade linha-coluna original. Dependendo dos dados e da técnica de compressão, isso pode ser caro, tornando assim todos os processos e análises que requerem essa expansão.

7.5 Tipo Especial de Modelo de Dados Raster

DEM (modelo digital de elevação)

Um Modelo Digital de Elevação (DEM) é uma matriz ordenada de números que representa a distribuição espacial das elevações acima de alguns datums arbitrários na paisagem (Moore, 1993). Em princípio, um DEM descreve a elevação de qualquer ponto em uma determinada área em formato digital e contém informações das chamadas linhas de esqueleto . As linhas de esqueleto são linhas de reversões de declive (drenagem, cristas) e quebras de declive.

Um Modelo Digital de Terreno (DTM) inclui a distribuição espacial dos atributos do terreno. Um DTM é um mapa topográfico em formato digital, consistindo não apenas em um DEM, mas também nos tipos de uso do solo, assentamentos, tipos de linhas de drenagem e assim por diante.

Unidades morfométricas de terreno são unidades de mapeamento, que agrupam características do terreno. Estes incluem o relevo interno, a forma das divisões de drenagem (convexa, plana, acentuada, etc.), a inclinação (reta, convexa, côncava, irregular, etc.), a densidade de drenagem e o tipo de padrões e outras características da rede de drenagem dentro as unidades (Speight, 1977, Meijerink, 1992). Os limites desses polígonos, com os valores de atributos associados, podem ser armazenados digitalmente, mas as unidades não constituem um modelo adequado para manipulação.

Embora geralmente associado à superfície da terra, um DEM também pode descrever uma superfície de água subterrânea ou a configuração do fundo de um aquífero.

Os sistemas baseados em grade, como os sistemas baseados em vetores, armazenam dados geográficos, mas visualizam e armazenam superfícies de maneira diferente. Os sistemas vetoriais definem um objeto e definem suas características e atributos. Uma dessas características é a localização das coordenadas x, y. Os sistemas baseados em grade dividem o mundo em unidades discretas e uniformes chamadas células. Cada célula representa uma certa porção específica da terra, como um quilômetro quadrado, hectare ou metro quadrado. Cada célula recebe um valor para corresponder ao recurso ou característica que está localizado ou descreve o local, como uma bacia de drenagem, tipo de solo ou classificação residencial. Location is not defined as an attribute but is inherent in the storage structure.

The uniform cells are organized into a Cartesian matrix consisting of rows and columns. A row identifies all cells equidistant from the top or bottom boundary of a grid. Columns identify all cells equidistant from the left or right boundary of the grid. Each Cartesian matrix is called a grid. Every cell in a grid has a unique row and column identifier.

The gridding process is like draping a fishnet containing square cells over the study area. A code is assigned to each cell (depending on the coding technique chosen) according to the feature that either is at the center of, fills the majority of, or is a special feature that is contained in the cell. The code or value of a cell is a numeric value that corresponds to an attribute type. Numeric values speed processing and allow for data compression.

Each cell represents a specified portion of the world. A cell can be any size defined there are usually no practical limits. The main consideration is that the size be appropriate for the analysis. For example, normally a 1-kilometer cell size should not be used when studying field mouse habitat.

This gridding procedure is the same when deriving a grid from an existing map. The values assigned to the cell correspond to a polygon attribute (or whatever item the polygon is gridded on) and create a representation of the real world.

In most grid-cell databases, data about a particular site is divided into homogeneous features or classes and mapped as separate layers. Each layer contains all the features that fall into a similar classification, or are logically grouped together for future analysis. A grouping is a set of items, features, or characteristics that share a relative logic. These layers conform to feature or theme maps, and there is one grid for each layer. There is usually one feature or theme per grid (ESRI, 1998).

7.6 Application of Raster Data Model

Air pollution intensity mapping of Khulna City as Health Risk to Urbanite

Air pollution is a major environmental health problem affecting developed and developing countries around the world. Increasing amounts of potentially harmful gases and particles are being emitted into the atmosphere on a global scale, resulting in damage to human health and the environment. It is damaging the resources needed for the long-term sustainable development of the planet (WHO, 1999).

There is no doubt that air pollution is generally detrimental to health, especially to the respiratory system. Air pollution may not only cause the abrupt onset of symptoms, producing severe ill-effects and sometimes even death (acute effects), but it might also have longer-term chronic effects (ERMP, 2001). Comparative Environmental Risk Assessment (CERA, 1998) for Khulna city depicted, presence of higher level of SOx, NOx and SPM in the ambient air of Khulna city particularly in the city s industrial areas, bus stations and commercial areas. In this study an air pollution intensity map is prepared considering the concentration of SOx, NOx and SPM in ambient air based on WHO health based standard. This study shows the application of raster data model and the capability of raster GIS.

The world has witnessed an impressive growth in the economy and in industrialization during this century. Industrial growth in the world has been accompanied with worsening air quality in its cities. Given the spatial nature of air pollution, creating a map of the extent and concentration of air pollution would be an obvious thing to do (Briggs et al. 1997). Air pollution causes much harm to human life in many cities of the world. Dhaka, the capital city of Bangladesh has already been dangerously polluted. The effect of air pollution is clear to everybody today. So there should be a data to know the intensity of pollutant and air quality of every spot of Khulna City.

7.6.2 Type of air pollutant

Air pollutants are usually classified into suspended particulate matter (dusts, fumes, mists, and smokes), gaseous pollutants (gases and vapors) and odors.

Suspended particulate matter (SPM) Particulate matter suspended in air includes total suspended particles (TSP), PM10, (SPM with median aerodynamic diameter less than 10 m), PM2.5 (SPM with median aerodynamic diameter less than 2.5 m), fine and ultrafine particles, diesel exhaust, coal fly-ash, mineral dusts (e.g. coal, asbestos, limestone, cement), metal dusts and fumes (e.g. zinc, copper, iron, lead), acid mists (e.g. sulphuric acid), fluoride particles, paint pigments, pesticide mists, carbon black, oil smoke and many others. Suspended particulate pollutants provoke respiratory diseases, and can cause cancers, corrosion, destruction to plant life, etc. They can also constitute a nuisance (e.g. accumulation of dirt), interfere with sunlight (e.g. light scattering from smog and haze) and also act as catalytic surfaces for reaction of adsorbed chemicals (WHO, 1999).

Gaseous pollutants : Gaseous pollutants include sulphur compounds (e.g. sulphur dioxide (SO2) and sulphur trioxide (SO3)), carbon monoxide (CO), nitrogen compounds [e.g. nitric oxide (NO), nitrogen dioxide (NO2), ammonia (NH3)], organic compounds [e.g. hydrocarbons (HC), volatile organic compounds (VOC), polycyclic aromatic hydrocarbons (PAH) and halogen derivatives, aldehydes, etc.], halogen compounds (HF and HCl) and odorous substances (WHO, 1999).

Secondary pollutants may be formed by thermal, chemical or photochemical reactions. For example, by thermal action SO2 can be oxidised to SO3 which, dissolved in water, gives rise to the formation of sulphuric acid mist (catalysed by manganese and iron oxides). Photochemical reactions between NOx and reactive hydrocarbons can produce ozone (O3), formaldehyde (HCHO) and peroxyacetyl nitrate (PAN) reactions between HCl and HCHO can form bis-chloromethyl ether.

Odors : While some odors are known to be caused by specific chemical agents such as hydrogen sulphide (H2S), carbon disulphide (CS2) and mercaptans (R-SH, R1 S R2), others are difficult to define chemically (WHO, 1999).

The intensity of pollutant at 13 point of Khulna City has been distributed to the cell of DEM through interpolation of the 3 major pollutant data.

Point interpolation (ANNEXURE C ) has been used to generate DEM in this study. Volume of pollutant at the sample point has been interpolated through IDW (Inverse Weighted Distance) method as it can distribute data smoothly to the surface of DEM unlike methods like Spline, Kriging and Trend. The parameters of the analysis at ArcView Spatial Analyst was

Output Grid Cell Size: 5m (a pixel represent 5m of real area)

Z Value Field: Pollutant Volume data (as this data have to be distributed to the DEM)

Nearest Neighborhood (to let the interpolation be irregular according to points)

Number of Neighbor: 6 (to minimize the influence of far point)

Power: 2 (distance between points will be squared in interpolation process which will control the surface smoothness)

Figure 7.1: Parameters of Interpolation

Grouping of the pollutant

The interpolated DEM has been grouped using WHO s (World Health Organization) health based standards NOx 100 m g/m 3 , Sox 80 m g/m 3 , SPM 150 m g/m 3 (WHO, 1999) the groupings are presented in Table 7.1 .

Table 7.1: Grouping of the pollutant according to WHO health based standard


Affiliations

The Environment Institute and School of Biological Sciences, University of Adelaide, South Australia, 5005, Australia

Stuart C. Brown, Tom M. L. Wigley & Damien A. Fordham

Climate and Global Dynamics Laboratory, National Center for Atmospheric Research, Boulder, CO, 80307-3000, USA

Tom M. L. Wigley & Bette L. Otto-Bliesner

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

You can also search for this author in PubMed Google Scholar

Contributions

D.A.F. and S.C.B. conceived and led the project. S.C.B. did the analysis and produced all outputs. T.M.L.W. and B.L.O.-B. guided the analysis and interpretation of the climate data. S.C.B. drafted the manuscript and all authors commented on the paper.

Corresponding author


Author information

Affiliations

State Key Joint Laboratory of Environment Simulation and Pollution Control (SKLESPC), School of Environment, Tsinghua University, Beijing, 100084, China

Yidan Chen, Fang Guo, Jiachen Wang & Can Wang

Ministry of Education Key Laboratory for Earth System Modeling, and Department of Earth System Science, Tsinghua University, Beijing, 100084, China

Center for Healthy Cities, Institute for China Sustainable Urbanization, Tsinghua University, Beijing, 100084, China

Tsinghua-Rio Tinto Joint Research Center for Resource Energy and Sustainable Development, Tsinghua University, Beijing, 100084, China

College of Global Change and Earth System Science, Beijing Normal University, 19 Xinjiekouwai Street, Haidian, Beijing, 100875, China