Mais

Removendo pontos incorretos (não aterrados) dos dados LiDAR?

Removendo pontos incorretos (não aterrados) dos dados LiDAR?


Eu tenho pontos LIDAR terrestres, pontos LIDAR não-terrestres e pontos LIDAR em árvore.

O problema é que alguns dos pontos lidar do solo estão incorretos. Por exemplo, os valores de elevação mais altos da árvore e do edifício não são mais de 200, mas alguns pontos em pontos LIDAR terrestres são mais de 300.

então eu quero remover os pontos superiores a 200 e substituí-los pelos valores circundantes nos dados LIDAR terrestre.

Qualquer ajuda?


Parece que você precisa de um DEM terrestre primeiro. No SAGA, você pode importar a nuvem de pontos, transformá-la em uma grade enquanto extrai os pontos de solo e, em seguida, preencher as lacunas com interpolação.

Em seguida, faça a mesma coisa quadriculando os pontos de elevação máxima + preencha as lacunas. Isso produzirá o DSM (modelo de superfície digital).

Crie uma máscara tomando um subconjunto (extrato) de seu DSM maior que 200. Reclassifique para 0/1 binário raster.

Reclassifique todos os pontos> 200 no DSM para zero.

Multiplique o raster DEM pelo raster binário e adicione-o ao DSM (cálculo raster).

Se você estiver familiarizado com python / numpy, as últimas 3 etapas podem ser realizadas da seguinte maneira:

mask = dsm> 200 dsm [máscara] = ground_dem [máscara]

Se você tiver pontos LiDAR, presumirei que está trabalhando com um arquivo LAS. Andre Silva levantou o ponto útil de que uma solução robusta para este problema não exigiria dados previamente classificados, por isso estou fornecendo esta solução alternativa. Uma vez que seus pontos fora do terreno estão a cerca de cem metros acima da superfície do solo (possivelmente pássaros, se for LiDAR aerotransportado), eles terão ângulos locais máximos para baixo extremamente altos (ou seja, o ângulo máximo entre um ponto e qualquer ponto inferior), muito perto de 90 graus na maioria dos casos. Dependendo da robustez do seu terreno, os pontos do terreno do terreno terão ângulos máximos para baixo muito mais rasos. Mesmo em ambientes montanhosos, o ângulo máximo de inclinação é geralmente muito mais raso do que 85-90 graus. Portanto, sugiro usar um limite dessa métrica como base para remover seus pontos falsos. Esta é a abordagem descrita pela primeira vez por Vosselman (2000) e Sithole (2001) e tem a vantagem de não exigir nenhuma informação adicional de classificação. Eu desenvolvi uma ferramenta gratuita e de código aberto GIS Whitebox Geospatial Analysis Tools, para a qual sou um desenvolvedor, chamada Isolar pontos de solo.

Vosselman, G. 2000. Slope based filtering of laser altimetry data. Arquivos Internacionais de Fotogrametria e Sensoriamento Remoto, 33 (parte 3B), 935-942.

Sithole, G., 2001. Filtering of laser altimetry data using a slope adaptive filter. Arquivos Internacionais de Fotogrametria, Sensoriamento Remoto e Ciências da Informação Espacial, 34 (parte 3 / W4), 203-210.


Software e padrões abertos no domínio da tecnologia de digitalização a laser

Esta revisão tem como objetivo apresentar a tecnologia de digitalização a laser e fornecer uma visão geral da contribuição de projetos de código aberto para apoiar a utilização e análise de dados de digitalização a laser. A tecnologia Lidar está avançando para novas fronteiras no mapeamento e levantamento de dados topográficos. A comunidade de código aberto tem apoiado isso fornecendo bibliotecas, padrões, interfaces, módulos até o software completo. Essas soluções abertas fornecem aos cientistas e usuários finais ferramentas valiosas para acessar e trabalhar com dados lidar, promovendo novas investigações de ponta e melhorias dos métodos existentes.

A primeira parte deste trabalho fornece uma introdução aos princípios da digitalização a laser, com referências para leitura posterior. Ele é seguido por seções, respectivamente, que relatam padrões e formatos abertos para dados lidar, ferramentas e, finalmente, soluções baseadas na web para acessar dados lidar. Não se destina a fornecer uma revisão completa do estado da arte em relação à tecnologia lidar em si, mas fornecer uma visão geral dos kits de ferramentas de código aberto disponíveis para a comunidade acessar, visualizar, editar e processar nuvens de pontos. Uma gama de recursos de código aberto para acesso e análise de dados lidar é fornecida, fornecendo uma visão geral do que pode ser feito com alternativas para soluções comerciais ponta a ponta. Padrões e formatos de dados também são discutidos, mostrando quais são os desafios para armazenar e acessar nuvens de pontos massivas.

Os desideratos são fornecer aos cientistas que ainda não trabalharam com dados lidar uma visão geral de como essa tecnologia funciona e quais ferramentas de código aberto podem ser uma solução válida para suas necessidades na análise de tais dados. Os pesquisadores que já estão envolvidos com dados lidar terão ideias sobre como integrar e melhorar seu fluxo de trabalho por meio de soluções de código aberto.


3 Coleção de dados

  • Processos e qualidade de coleta de dados fortalecidos, ao mesmo tempo em que padroniza formatos para análises aprimoradas por meio da cooperação entre departamentos.
  • Desenvolveu métodos abrangentes de coleta de dados e práticas padrão.
  • Desenvolvimento de processos de coleta de dados para projeto de Terras Automatizadas.
  • Forneceu suporte ao projeto conforme necessário, como criação de mapas de campo, preparação de dados e treinamento em métodos de coleta de dados de campo.
  • Auxiliou na coleta de dados, suporte de campo GIS e amostragem ambiental em um local de investigação corretiva de quarenta milhas.
  • Realizou coleta de dados de campo para uso em mapas do projeto, a fim de obter vários tipos de licenças de lavra.
  • Documente o procedimento de operação e as melhores práticas, incluindo design, coleta de dados, documentação e implementação.
  • Formulários de coleta de dados projetados e relatórios de pacotes em entradas validadas do Access e revisão de controle de qualidade fornecida.
  • Dicionários de dados preparados e desenvolvidos para dispositivos de coleta de dados de PDA e aplicativos criados para coleta de dados de campo.
  • Atuei como contato principal com o cliente durante a coleta de dados de sinais de tráfego da cidade de Chicago e criação de mapas.
  • Coleta de dados de campo, entrada de dados espaciais / descritivos, elaboração de mapas e geração de relatórios.
  • Coleta de dados de campo usando ArcCollector e mapeamento para apoiar o projeto piloto SADES RSMS.
  • Realizou uma enorme coleta de dados em toda a Louisiana para o Projeto de Mitigação de Riscos.
  • Desenvolver soluções de mapeamento web e coleta de dados para técnicos de campo.
  • Conduza sessões de treinamento em novos SIG e tecnologias de coleta de dados.
  • Consultado sobre as metodologias de coleta de dados Iroquois Pipeline GIS.
  • Realizou tarefas de coleta de dados de várias fontes.
  • Desenvolva métodos de coleta de dados de campo GIS.
  • Formulários desenvolvidos para coleta de dados de campo.
  • Realizou trabalho de campo incluindo coleta de dados.

FME e dados espaciais

FME para integração de dados espaciais

Embora existam muitas ferramentas e softwares que podem ajudá-lo a fazer uso de dados espaciais, o FME é o software de escolha para aqueles que precisam integrar seus dados espaciais. O Software Seguro e o FME surgiram exatamente por causa desse problema. Os dados espaciais variam amplamente e frequentemente estão presos em formatos que não podem ser facilmente usados ​​por todos os aplicativos, tornando extremamente difícil para os especialistas em GIS fazer uso de todas as informações de que dispõem. Embora fosse possível transformar formatos proprietários no passado, muitos dos dados seriam perdidos na conversão. Assim nasceu a FME.

O que é FME?

O FME é reconhecido como a plataforma de integração de dados com o melhor suporte para dados espaciais em todo o mundo. No entanto, ele pode lidar com muito mais do que apenas dados espaciais e pode ser facilmente usado por profissionais de TI e de negócios. FME suporta mais de 450 formatos, o que o torna uma ferramenta flexível de integração de dados para quem lida com uma grande variedade de formatos de dados.

A Safe Software, criadora do FME, são líderes no mundo da tecnologia que se esforçam para estar um passo à frente das tendências de integração de dados. FME é continuamente atualizado para garantir que foi adaptado para suportar novos formatos de dados, versões atualizadas de formatos de dados e grandes quantidades de dados. Já se foi a ideia de que departamentos individuais devem trabalhar em seus silos de dados, com estruturas de TI limitando o potencial da empresa para realmente trabalhar como um só. Os dados devem ser capazes de fluir livremente, não importa onde, quando ou como seja necessário.


Abstrato

Este estudo aplicou uma técnica integrada de varredura aerotransportada a laser (ALS) e sistemas de informação geográfica (GIS) para estimar os danos a árvores urbanas causados ​​por uma tempestade de gelo que afetou a cidade de Norman, Oklahoma entre 8 e 11 de dezembro de 2007. Pré e dados de ALS pós-tempestade foram coletados e processados ​​usando GIS. Os dados ALS pré-tempestade foram usados ​​para criar um modelo digital de elevação (DEM) e o modelo digital de superfície pré-tempestade (DSM), enquanto o DSM pós-tempestade foi criado a partir de dados ALS pós-tempestade. O DEM foi subtraído dos dois DSMs para criar os modelos de altura do dossel (CHMs) pré e pós-tempestade. Árvores individuais e agrupadas foram então separadas usando uma combinação de Koukoulas e Blackburn e algoritmos de extração de árvores máximas locais. Finalmente, as diferenças de altura e diâmetro do dossel entre os CHMs pré e pós-tempestade dentro das árvores extraídas foram calculadas para medir os danos. Os resultados mostraram que aproximadamente 9% das árvores urbanas foram completamente danificadas, enquanto quase 6% não sofreram nenhum dano. Também mostrou que os danos às árvores causados ​​por tempestades de gelo variavam com as espécies e que Acer saccarinum, Acer saccharum Marsh, Ulmus americana, e Ulmus pumila eram mais vulneráveis ​​enquanto Platanus occidentalis e Quercus palustris foram as espécies de árvores mais resistentes à tempestade de gelo. Quando comparado com os dados de referência do solo, verificou-se que a metodologia proposta pode detectar a altura da árvore / danos ao caule com & gt81% de precisão em comparação com & gt42% de precisão na avaliação de danos do dossel. Uma vez que os dados do ALS são coletados após um desastre, a metodologia pode fornecer uma estimativa rápida dos danos às árvores urbanas e, portanto, ser útil para planejadores de cidades. Também pode ser usado para criar inventários detalhados de alturas de árvores em florestas urbanas e monitorar seu crescimento e mudanças para melhorar sua sustentabilidade a longo prazo.


Removendo pontos incorretos (não aterrados) dos dados LiDAR? - Sistemas de Informação Geográfica

Dados digitais vetoriais de Connecticut 2 FT Contours

Estado de Connecticut, Departamento de Proteção Ambiental

Os contornos de Connecticut 2 FT são usados ​​para representar a elevação do solo em intervalos de 2 pés ou mais. Cada linha de contorno representa uma linha de elevação igual e indica o relevo da superfície quando usada com outras informações, como fotografia aérea, solos, geologia ou hidrografia.

Acesse http://clear.uconn.edu para obter informações adicionais sobre os produtos de dados derivados do LiDAR gerados a partir da cobertura do LiDAR em todo o estado de Connecticut em 2000. Data de coleta de 2000

Nenhum planejado -73,742172 -71,781370 42,052611 40,979908 Categoria de tópico ISO 19115 elevação, ambiente Nenhum contornos, LiDAR

Departamento de Comércio dos EUA, 1987, Códigos para a Identificação dos Estados, do Distrito de Columbia e das Áreas Distantes dos Estados Unidos, e áreas associadas (Federal Information Processing Standard 5-2): Washington, DC, National Institute of Standards e Tecnologia.

Howie Sternberg Estado de Connecticut, correio e endereço físico do Departamento de Proteção Ambiental 79 Elm Street Hartford CT

EUA 860-424-3540 860-424-4058 [email protected] De segunda a sexta, das 8h30 às 16h30, horário padrão do leste

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview2ft.gif
Visualização detalhada dos contornos de 2 FT mostrados na escala de aproximadamente 1: 2.000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview2and10ft.gif
Visualização detalhada dos contornos de 2 FT com intervalo de contorno de 10 FT mais amplo mostrado na escala de aproximadamente 1: 5.000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview10and50ft.gif
Visualização detalhada de contornos de 10 FT com intervalo de contorno de 50 FT mais amplo mostrado na escala de aproximadamente 1: 10.000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview20and100ft.gif
Visualização de detalhes de contornos de 20 pés com intervalo de contorno de 100 pés mais amplo mostrado na escala de aproximadamente 1: 24.000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview50and100ft.gif
Visualização de detalhes de contornos de 50 pés com intervalo de contorno de 100 pés mais amplo mostrado na escala de aproximadamente 1: 35.000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdetailview100ft.gif
Visualização detalhada dos contornos de 100 pés mostrados na escala de aproximadamente 1: 70.000.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourfullview100ft.gif
Visão completa dos contornos de 100 pés. Esta imagem é incluída para mostrar a área de cobertura de contornos de 2 pés, que é a mesma área para contornos de 30 metros.
GIF

http://cteco.uconn.edu/metadata/dep/browsegraphic/lidar2000contourdatagapexample.gif
Visualização detalhada de uma área onde os contornos estão incorretos devido a lacunas esporádicas nos dados LiDAR subjacentes usados ​​para gerar os recursos da linha de contorno. Esta é uma limitação conhecida dos dados de 2000 LiDAR. Os contornos são incorretos em áreas onde, em relação aos contornos próximos, eles parecem muito retos e angulares, não se curvam naturalmente como esperado, ou não existem onde provavelmente deveriam. Nessas áreas, o software carecia de dados de elevação do solo suficientes para gerar os contornos de maneira adequada.
A GIF Aero-Metric, Inc. de Sheboygan Wisconsin foi contratada pelo estado de Connecticut para fornecer a Pesquisa Aérea Estadual de 2004 em Connecticut. Os resultados do contrato incluem ortofotos digitais, dois conjuntos de impressões não retificadas para visualização estereoscópica, índices de fotos e dados LiDAR. Todas as imagens e produtos de dados da Pesquisa Aérea Estadual de 2004 são definidos sob o número de concessão do contrato do Estado de Connecticut RFP-990-A-14-0518-C (datado de 22 de fevereiro de 2000), incluindo o suplemento de concessão de contrato nº 1 (datado de 28 de fevereiro de 2002) , suplemento de adjudicação de contrato # 2 (datado de 4 de novembro de 2004), suplemento de adjudicação de contrato # 3 (datado de 26 de novembro de 2004) e suplemento de adjudicação de contrato # 4 (datado de 13 de maio de 2005). TerraPoint LLC de Woodlands Texas foi subcontratada para criar um conjunto de dados LIDAR em todo o estado de Connecticut. Através do financiamento do Connecticut Joint Highway Research Council, projeto JH07-02, conjuntos de dados derivados do LiDAR em todo o estado foram posteriormente criados e disponibilizados pelo Professor Associado Thomas Meyer da Universidade de Connecticut, Faculdade de Agricultura e Recursos Naturais, Departamento de Recursos Naturais e Meio Ambiente. Esses produtos de dados derivados incluem nuvens de pontos lado a lado, TINS, DEMs e shapefiles de contorno disponíveis pela área topográfica quadrângulo de um quarto do USGS. O CT DEP posteriormente anexou os shapefiles de contorno estaduais em conjuntos de dados estaduais de intervalos de 2, 10, 20, 50 e 100 pés. Nenhum Nenhum Nenhuma restrição para o manuseio dos dados Esses dados são mantidos pelo Estado de Connecticut usando o software ArcGIS desenvolvido pelo Environmental Systems Research Institute (ESRI) em um ambiente de sistema operacional Microsoft Windows. A camada LiDAR 2000 Contours retém os tipos de recursos e informações identificados pelo Estado de Connecticut, Departamento de Proteção Ambiental e obtidos a partir dos shapefiles de contorno LiDAR 2000. Todos os atributos têm valores válidos. Os valores estão dentro de domínios definidos. Os valores de atributo ELEVATION_FT são herdados dos shapefiles de contorno LiDAR 2000. O atributo INTERVAL_FT foi preenchido por meio de seleções sucessivas de valores ELEVATION_FT com base em cálculos para selecionar valores para intervalos de 10 pés, 20 pés, 50 pés e 100 pés. Atributos para LABEL_10FT, LABEL_20FT, LABEL_50FT, LABEL_100FT foram preenchidos por meio de cálculos. O atributo QUAD_NO foi preenchido atribuindo o número do quadrângulo USGS no qual os contornos estão localizados. Os recursos de linha estão em conformidade com as seguintes regras topológicas. As linhas são parte única. Não há linhas duplicadas. As linhas não se sobrepõem. As linhas não se sobrepõem a outras linhas. As linhas se cruzam apenas nos nós e os nós ancoram as extremidades de todas as linhas. As linhas não ultrapassam ou ultrapassam outras linhas que deveriam se encontrar e se cruzar. Os testes de consistência lógica não foram realizados pelo CT DEP. Nenhum procedimento automatizado ou teste foi realizado pelo CT DEP para garantir a topologia desejada além da inspeção visual limitada. A integridade dos dados reflete o conteúdo de recursos das fontes de dados, que incluem os shapefiles de contorno LiDAR 2000 e os pontos de elevação LiDAR 2000. A camada LiDAR 2000 Contours contém linhas de contorno geradas automaticamente que podem conter erros ou inconsistências inerentes ao processo automatizado. A camada LiDAR 2000 Contours contém erros ou inconsistências relacionadas a erros inerentes à captura de dados de elevação LiDAR original. Não há planos para atualizar ou corrigir esses dados.

A precisão da posição horizontal desses dados não é conhecida. Esses dados passaram por processos automatizados para interpolar e criar contornos de elevação de 2 pés a partir dos dados de pontos LiDAR 2000 de 20 pés. A precisão da posição horizontal dos dados de ponto LiDAR 2000 de 20 pés é de aproximadamente 3 pés no solo. Os dados não são consistentemente precisos em todo o estado. Em algumas áreas, existem anomalias nas áreas de informação da linha de contorno devido a lacunas de dados nos dados LiDAR subjacentes usados ​​para gerar as linhas de contorno. Esta é uma limitação conhecida dos dados LiDAR coletados para Connecticut em 2000. As áreas onde os contornos estão incorretos são normalmente fáceis de reconhecer porque, em relação aos contornos próximos, eles parecem muito retos e angulares, não se curvam naturalmente como o esperado, ou não não existe onde provavelmente deveria. Além disso, as curvas de nível podem não se conformar muito bem com a linha da costa de corpos d'água e, em muitos casos, se estendem erroneamente para áreas de água. Devido às anomalias nos dados, tenha cuidado ao visualizar e analisar essas informações. Os dados não são consistentemente precisos em todo o estado. Em algumas áreas, existem anomalias nas áreas de informação da linha de contorno devido a lacunas de dados nos dados LiDAR subjacentes usados ​​para gerar as linhas de contorno. Esta é uma limitação conhecida dos dados LiDAR coletados para Connecticut em 2000. As áreas onde os contornos estão incorretos são normalmente fáceis de reconhecer porque, em relação aos contornos próximos, eles parecem muito retos e angulares, não se curvam naturalmente como o esperado, ou não não existe onde provavelmente deveria. Além disso, as curvas de nível podem não se conformar muito bem com a linha da costa de corpos d'água e, em muitos casos, se estendem erroneamente para áreas de água. Devido às anomalias nos dados, tenha cuidado ao visualizar e analisar essas informações.

Quad-Sixteenth LiDAR Contour Shapefiles mapear Contour Shapefiles

University of Connecticut, Center for Land Use Education and Research (CLEAR)

http://clear.uconn.edu disc 2000 Contour Shapefiles Esses recursos de linha estadual de contornos de elevação foram gerados por UConn usando dados de elevação de ponto do conjunto de dados LiDAR de Connecticut Statewide. O conjunto de dados LiDAR do estado de Connecticut consiste em dados de pontos x, y e z de um modelo de superfície interpolado ("terra nua") derivado de um Sistema de mapeamento topográfico LIDAR aerotransportado (ALTMS). Os valores x, y e z são armazenados em arquivos ASCII delimitados por espaço. Esses dados de elevação LiDAR estão em uma postagem nominal de 20 pés. Os contornos foram preparados em unidades quadrangulares de um décimo sexto USGS. Para compreender o quadrilátero-décimo sexto, visualize um quadrângulo USGS dividido verticalmente e horizontalmente em quatro seções. Cada uma dessas seções é, por sua vez, dividida vertical e horizontalmente em quatro seções, formando assim dezesseis retângulos iguais. Estado de Connecticut, Departamento de Proteção Ambiental (editor de dados)

Quadrangle LiDAR Contour Shapefiles disc 2000 Contornos anexados Esta fonte de dados refere-se a todos os recursos de shapefiles de contorno quádruplo para cada quadrângulo USGS combinado em um shapefile por quadrângulo. Quadrangle LiDAR Contour Geodatabase Countour Geodatabase disc 2000 Contour Geodatabase Esta fonte de dados são todos os shapefiles de contorno de quadrilátero inseridos em um arquivo de geodatabase ESRI. Estado de Connecticut, Departamento de Proteção Ambiental (editor e editor de dados)

Contornos FT de Connecticut 2

Estado de Connecticut, Departamento de Proteção Ambiental

disco 2000 Statewide Contour File Geodatabase Este é um conjunto de dados estadual que inclui recursos de fontes de dados quadrangulares individuais. Este conjunto de dados está no formato File Geodatabase e ArcSDE feature class. No ArcSDE, visualizações espaciais foram criadas para estabelecer subconjuntos de intervalos de contorno de 10, 20, 50 e 100 pés, que foram exportados como as seguintes classes de recursos do File Geodatabase: LIDAR_2000_CONTOUR_10FT, LIDAR_2000_CONTOUR_20FT, LIDAR_2000_CONTOUR_50FT e LIDAR_2000_CONTOUR_100FT. Estado de Connecticut, Departamento de Proteção Ambiental

Polígono do estado de Connecticut 2005 Polígono de Connecticut

Estado de Connecticut, Departamento de Proteção Ambiental

Denominador da escala do mapa: 24000 http://www.ct.gov/dep data de publicação do disco Connecticut Polygon Fornecido o polígono usado para cortar os contornos ao contorno do estado. Long Island Sound Modified Polygon LIS Polygon disco data de publicação LIS Polygon Fornecido o polígono para cortar os contornos ao longo da costa de Long Island Sound.

Anexar shapefiles - Usando o software ESRI ArcGIS, anexe todos os shapefiles de contorno quádruplo-décimo sexto para cada quadrângulo USGS em um único shapefile para cada quadrilátero. Foi utilizado um modelo de geoprocessamento capaz de anexar os shapefiles em lote. As linhas em cada quadra não foram dissolvidas. Os testes mostraram que manter o padrão de recurso quádruplo-sexto ajudou a criar um tamanho de recurso mais uniforme. Os testes também mostraram que a dissolução introduziria um número inaceitável de erros nos dados.

Diana Danenberg Estado de Connecticut, correio e endereço físico do Departamento de Proteção Ambiental 79 Elm Street Hartford Connecticut

Carregar contornos em geodatabase - Usando o software ESRI ArcGIS, crie um arquivo de geodatabase e importe os recursos em cada shapefile de contorno anexado para classes de recursos. Durante a importação, o campo de atributo denominado Valor é renomeado para ELEVATION_FT. Este campo armazena a elevação atribuída a cada linha de contorno.

Diana Danenberg Estado de Connecticut, correio e endereço físico do Departamento de Proteção Ambiental 79 Elm Street Hartford Connecticut

Limpar registros de recurso - Usando o software ESRI ArcGIS, selecione todos os registros em cada classe de recurso de contorno com um atributo SHAPE_Length de & lt .001 e exclua. Isso remove recursos que são linhas de comprimento zero e essencialmente são pontos. Usando o software ESRI ArcGIS, selecione todos os registros em cada classe de recurso de contorno com ELEVATION_FT de 0 ou NULL e exclua. Isso remove recursos que não têm uma elevação válida atribuída a eles. Os contornos de elevação zero ocorrem sobre corpos d'água em cerca de 30 quads, com as concentrações mais altas ocorrendo em Long Island Sound. Essas curvas de nível ocorrem de forma irregular e não representam uma elevação de base.

Diana Danenberg Estado de Connecticut, correio e endereço físico do Departamento de Proteção Ambiental 79 Elm Street Hartford Connecticut

Recursos de limpeza - Usando o software ESRI ArcGIS, selecione e exclua pequenos recursos de linha com as características de comprimento inferior a 100 pés e o ponto inicial e final da linha são os mesmos (pequenos anéis fechados). Usando um modelo de geoprocessamento projetado para uso em lote, campos de atributos temporários foram adicionados e calculados para o início da coordenada X, final da coordenada X, início da coordenada Y, final da coordenada Y. Selecione os registros onde "XCoorStart = XCoorEnd e YCoorStart = YCoorEnd e shape_length & lt = 100" e exclua. Os anéis que se enquadram nesses critérios têm cerca de 32 pés de diâmetro e parecem ser anomalias ou muito pequenos para serem significativos. Isso elimina um grande número de recursos em cada classe de recursos que fornecem pouco ou nenhum benefício. Consulte os shapefiles anexos baseados em quad para ver o conjunto completo de recursos.

Diana Danenberg Estado de Connecticut, correio e endereço físico do Departamento de Proteção Ambiental 79 Elm Street Hartford Connecticut

Recorte classes de recursos de contorno - Usando o software ESRI ArcGIS, recorte e remova linhas de contorno que se estendem para fora dos limites do estado de Connecticut. O polígono do estado de Connecticut registrado no DEP foi usado para recortar os contornos em direção à terra que se estendem para fora da fronteira do estado. Nenhum deslocamento foi usado. Usando o software ESRI ArcGIS, recorte e remova linhas de contorno que se estendem até Long Island Sound e suas baías e portos. O polígono Long Island Sound de dados hidrográficos em arquivo no DEP foi modificado e usado para cortar contornos estendidos em direção ao mar. Essas linhas de contorno geralmente contêm artefatos de processamento da geração do contorno original e não se destinam a capturar a superfície da água. O polígono de Long Island Sound foi preparado antes do uso. Ele foi protegido para reduzir seu tamanho em 12 metros da costa do continente e das ilhas ao largo da costa. Uma inspeção visual do polígono de Long Island Sound, das curvas de nível e das ortofotografias de 2004 foi feita ao longo de todas as linhas costeiras. O contorno do polígono de Long Island Sound foi remodelado manualmente para acomodar variações nos contornos e na linha da costa na ortofotografia de forma que todos os contornos se estendam por pelo menos 12 metros.

Contour Geodatabase Connecticut Polygon LIS Polygon

Diana Danenberg Estado de Connecticut, correio e endereço físico do Departamento de Proteção Ambiental 79 Elm Street Hartford Connecticut

Aprimoramentos de atributos - Usando o software ESRI ArcGIS e modelos de geoprocessamento projetados para usar processamento em lote, edite campos de atributos. Remova os campos temporários usados ​​na Etapa 4. do processo. O campo denominado ID não continha dados e foi excluído. Um campo denominado QUAD_NO foi adicionado para armazenar o número de cada quadrângulo pai para possibilitar o retrocesso para fontes quadradas de contorno depois que os dados são armazenados como uma única camada de dados. Um campo denominado INTERVAL_FT foi adicionado para classificar as linhas de contorno com faixas de valores de elevação úteis para simbolizar ou selecionar recursos. Este campo foi preenchido atribuindo primeiro a cada linha de contorno o intervalo de base de 2 pés. Em sucessão, os valores de elevação que participam em intervalos de 10 pés, 20 pés, 50 pés e 100 pés foram selecionados e atribuídos. Para usar um intervalo, lembre-se de selecionar todos os intervalos divisíveis por (conter) o número no qual você está interessado. Por exemplo, para selecionar elevações a cada 6 metros, você deve selecionar INTERVAL_FT = 20 e INTERVAL_FT = 100.

Diana Danenberg Estado de Connecticut, correio e endereço físico do Departamento de Proteção Ambiental 79 Elm Street Hartford Connecticut

Usando o software ESRI ArcCatalog, criou uma classe de recurso de linha File GeoDatabase para armazenar todos os dados de contorno de 2 pés. As classes de recursos de linhas de contorno baseadas em quadrilátero individuais são anexadas em uma única classe de recursos que inclui todos os contornos de 2 pés em todo o estado.

Geodatabase Arquivo de Contorno em todo o estado

Howie Sternberg Estado de Connecticut, correio e endereço físico do Departamento de Proteção Ambiental 79 Elm Street Hartford Connecticut

Lambert Conformal Conic Lambert Conformal Conic 41.200000 41.866667 -72.750000 40.833333 999999.999996 499999.999998


Resposta bem-sucedida começa com um mapa: Melhorando o suporte geoespacial para gerenciamento de desastres (2007)

A intervenção para tratar de desastres evoluiu ao longo do tempo para um subsistema de política complexo, e a política de desastre é implementada por meio de um conjunto de funções conhecido como gerenciamento e resposta a emergências. Abordagens modernas de gestão e resposta a emergências envolvem esforços multidimensionais para reduzir nossa vulnerabilidade a perigos para diminuir o impacto de desastres e para nos preparar, responder e se recuperar daqueles que ocorrem. Essas responsabilidades apresentam desafios formidáveis ​​para os governos devido às demandas extraordinárias que os eventos de desastre impõem aos sistemas de tomada de decisão e à infraestrutura de prestação de serviços das comunidades que afetam. Além disso, por definição, um evento constitui um desastre se exceder a capacidade do governo ou dos governos em cuja jurisdição ocorre. Lidar com desastres, portanto, requer recursos externos. No contexto de um governo estruturado federalmente, quando as capacidades das jurisdições governamentais em níveis inferiores são sobrecarregadas, os níveis superiores são chamados a ajudar, apoiando ou suplantando as atividades das jurisdições subordinadas. Da mesma forma, ativos e capacidades nos setores corporativo e não governamental podem ser utilizados. Como resultado, a gestão e a resposta a emergências são desafios intrinsecamente intergovernamentais e intersetoriais de implementação de políticas. Além disso, como os desastres afetam drasticamente nossa geografia física, social e econômica, os requisitos e capacidades geoespaciais são incorporados a todo este sistema complexo. Este capítulo descreve as principais características dos desastres e a abordagem em fases convencional para seu gerenciamento, com atenção especial às necessidades e funções geoespaciais.

3.1O CONTEXTO DOS DESASTRES

O objetivo primordial das atividades de gestão de desastres é reduzir, tanto quanto possível, o grau em que a condição de uma comunidade é agravada por um desastre em relação à sua condição anterior ao desastre. Existem muitas ações realizadas pelos participantes na gestão de desastres que apóiam este objetivo tanto antes do desastre (para prevenir ou reduzir o dano potencial) quanto após o desastre (para se recuperar do dano real), e idealmente essas atividades reduziriam os efeitos potenciais de um desastre ao ponto de eliminação. No entanto, a própria natureza dos desastres torna esse ideal inatingível. Existem cinco características principais dos desastres que os tornam difíceis de superar (para uma explicação mais detalhada, consulte Donahue e Joyce, 2001 Waugh, 2000):

Desastres são incidentes grandes e de início rápido em relação ao tamanho e aos recursos de uma jurisdição afetada. Ou seja, eles prejudicam uma alta porcentagem da propriedade ou população da jurisdição e os danos ocorrem rapidamente em relação à capacidade da jurisdição de evitá-los ou evitá-los. Eles também podem impactar diretamente os recursos e pessoal disponível para responder. Como resultado, a resposta a desastres evoca um profundo senso de urgência e lidar com eles drena os recursos humanos, equipamentos, suprimentos e fundos de uma jurisdição. Se houver dados pré-incidente disponíveis, a análise geoespacial pode fornecer informações importantes sobre a natureza e a extensão das mudanças causadas por desastres.

Os desastres são incertos com relação às suas ocorrências e seus resultados. Esta incerteza surge porque os perigos que representam uma ameaça de desastre são difíceis de identificar, a relação causal entre os perigos e os eventos de desastre é mal compreendida e os riscos são difíceis de medir & mdash isto é, é difícil especificar que tipo de dano é possível, quanto o dano é possível e a probabilidade de ocorrer um determinado tipo e gravidade de dano. Os modelos geoespaciais podem ajudar a prever os locais, pegadas, horários e durações dos eventos e os danos que podem causar, para que as jurisdições possam se preparar melhor para eles.

Riscos e benefícios são difíceis de avaliar e comparar. Desastres apresentam planejadores de emergência, gerentes de emergência e formuladores de políticas com pressões compensatórias. Por um lado, é importante minimizar a exposição das populações e da infraestrutura a perigos, por outro lado, as pessoas querem construir e viver em áreas paisagísticas, mas sujeitas a perigos, e muitas vezes se opõem à regulamentação governamental. Further, how should the various levels of government address the balance between providing relief to the victims of disasters and the need or desire to avoid encouraging risk-accepting behavior also, to what extent should the costs of such behavior be shifted from those who engage in this behavior to the larger population? Enquanto

most agree that response assistance should be provided to those who have suffered from a disaster, questions arise as to whether insurance for those in risk-prone areas should be subsidized by the federal government and to what extent repeated damage should be compensated (for example, by paying for rebuilding the same house after a second or third flood). An important component of this issue is the accuracy of risk assessment. Geospatial data and tools are invaluable in making the necessary assessments of the geographic distribution of risk and in estimating the quality of each assessment.

Disasters are dynamic events. Disasters evolve as they progress, and they change in response to human actions and natural forces. This makes it imperative that response strategies be flexible and argues for the value of analysis in helping responders understand and adapt to the changing conditions they face. Managing these phenomena can thus be a highly technical endeavor requiring specialized expertise for both policy development and policy implementation. In particular, geospatial data and tools can help incident managers to visualize the event over time, track the activities of responders, and predict the outcomes of various courses of action.

Disasters are relatively rare. Most communities experience few, if any, disasters during the average time in office of a political official or the average time of residence of a citizen. Thus, many communities are unlikely to have recent experience with disasters, and governments may feel little imperative to build their disaster-management capacity, even if the hazards are real and the risks formidable (Waugh, 1988). More obvious and immediately pressing public service concerns readily displace disaster preparedness as a priority. Specialized capabilities, such as geospatial data and tools, are especially vulnerable to budget cuts and resource reallocation.

These inherent qualities of disasters leave governments in a quandary about what to do to manage them. More specifically, the magnitude, scope, uncertainty, dynamism, and infrequency of disasters give rise to some important questions:

How can we increase the resilience of communities to disasters&mdash for example, by adding levees, raising the elevation of the living floor in homes, or imposing zoning regulations?

How can we reduce the impact of disaster events&mdashfor example, through more effective warning systems or better evacuation plans?

How can we most effectively provide assistance to those who have been affected&mdashthrough development of a common operating pic-

ture and common situational awareness shared by all emergency responders or through better search-and-rescue procedures?

Thus, we face both policy issues and practical challenges as we work to reduce the risk to which our populations are exposed and to protect people and infrastructure. Almost every emergency preparedness and response challenge has important geospatial aspects, and effective emergency management thus requires adroit use of geospatial data and tools.

To address these and other issues and challenges, the emergency services professions have specified a host of activities aimed at assuaging the losses that disasters inflict. The degree to which these activities have been identified, assigned to responsible parties, and coordinated has evolved over time into a broad framework first defined in a 1979 National Governors Association report on its study of emergency preparedness (National Governors Association, 1979). This approach, known as Comprehensive Emergency Management, specifies four phases of modern disaster management: preparedness, response, recovery, and mitigation. Each of these phases levies particular demands on emergency managers and responders, and each can be informed and improved by the application of geospatial data and tools. These phases follow one another in a continuous cycle, with a disaster event occurring between the preparedness and the response phases, as shown in Figure 3.1. For additional explanation of the emergency management process, see Waugh (2000) and Haddow and Bullock (2003).

3.1.1Preparedness

Preparedness involves activities undertaken in the short term before disaster strikes that enhance the readiness of organizations and communities to respond effectively. Preparedness actions shorten the time required for the subsequent response phase and potentially speed recovery as well. During this phase, hazards can be identified and plans developed to address response and recovery requirements. Disaster plans are often developed by individual agencies, but one challenge of disasters is that they demand action from agencies and organizations that may not work closely together from day to day. Thus, plans are much more effective when developed collectively by all agencies that will be responding so that resources and responsibilities are coordinated in advance. Also during the preparedness phase, training and exercises may be conducted to help prepare responders for real events. These vary from conceptual discussions to more formalized tabletop exercises (TTXs), during which neither people nor equipment is moved, to field exercises (FXs), which simu-

FIGURE 3.1 Emergency management cycle.

late real events. As with planning, training and exercises may be conducted by agencies in isolation, but they are more powerful when conducted jointly so that interfaces can be resolved. Perhaps the most important result of joint planning and exercising is the relationships developed between those who will be involved in response. In the best instances, these processes develop trust among those who will be called upon to work together during an event.

From the geospatial perspective, preparedness objectives include identifying data requirements, developing data sets, and sharing data across agencies. This includes activities as basic as developing framework data and foundation data on infrastructure, hazards and risks, location of assets that are of use for response and recovery (sand bags, generators, shelters, medical resources, heavy equipment, breathing apparatus, chemical spill response units, etc.), determining (if possible) common standards for data, making potentially difficult decisions about attributes, and compiling necessary metadata. Preparedness is greatly facilitated when all potential responding entities are working with the same data sets for the same features. Decisions also must be made as to whether data will be accessed from single sources or whether they will be hosted by some or all of the agencies involved in the response. Discussions about how

geospatial support will be provided (each agency supporting its own geospatial work or some form of sharing of human resources) should occur. Applications, such as web servers and services and databases related to specific recovery and response activities, should be developed. Decisions should be made about how data are to be reported (times, units, method, format), which agencies will be preparing reports, and where the data and information are located and how and by whom they can be accessed. If imagery is to be used during the response, this is the time to consider user requirements for each mission, imagery that will meet these requirements, whether imagery may meet multiple requirements, what steps will facilitate the acquisition of this imagery, and how and to whom the imagery will be distributed after it has been acquired.

In the preparedness phase, geospatial tools can be used to display the distribution of hazards and risks as they exist now and risks as they may exist under different future development scenarios. This enables local and regional planners to work with emergency managers to plan for more sustainable futures through the avoidance or mitigation of higher-risk alternatives. For example, evacuation routes can be planned based upon demographics, capacity of existing roads, and traffic volume as a function of day and time.

Models of event scenarios can be used either in the development of single- or multiagency response plans or as part of exercises designed to test agency preparedness and the adequacy of those plans. The scenarios are essential in developing the master scenario events lists (MSELs) that enable exercise designers and controllers to test critical aspects of response plans and to develop additional modifications of the course of events during an exercise. Models also can be used prior to the actual impact of an event (pre-landfall for hurricanes or prior to flood crest) to estimate potential numbers of fatalities, injuries, and damage to infrastructure, so that responding agencies can initiate activities as soon as it is safe to move into the impacted area. Wind-speed models for hurricanes can be used to estimate the extent of expected damage to buildings. Energy-infrastructure damage models can be used to estimate the likely extent of damage to the distribution grid, and water- and ice-demand models can be used to estimate initial daily demand for these commodities.

3.1.2Resposta

Response activities are undertaken immediately following a disaster to provide emergency assistance to victims. The response phase starts with the onset of the disaster and is devoted to reducing life-threatening conditions, providing life-sustaining aid, and stopping additional damage to property. During this phase, responders are engaged in a myriad of ac-

tivities. As examples, search-and-rescue efforts are made to find individuals who may be trapped in buildings, under debris, or on roofs basic commodities such as water and ice are distributed to affected populations temporary power and shelters are established and provided and fires and spills or leaks of hazardous materials are controlled. Although this phase is considered to begin when disaster strikes, not all disasters occur suddenly and without warning&mdashsometimes onset is slower or anticipated, in which case response overlaps with the preceding preparedness phase and may include proactive steps such as warning and evacuation. Likewise, this phase has been defined historically as lasting 72 hours, but a clear end point for this period is difficult to define. It transitions into the recovery phase, and in reality response and recovery may overlap, especially during large, complex incidents.

Geospatial information and analysis are critical inputs to incident management and tactical decision making. Activities during this period include image acquisition, processing, analysis, distribution, and conversion to information products. Other geospatial data also must be collected, collated, summarized, and converted into maps, reports, and other information products. While sophisticated imagery and analysis are valuable to the response effort, the products most in demand are maps, including, for example, maps of the impact area and of the extent of damage the locations of population in the impact area the locations of assets to be used in the response, including inventories of critical supplies such as potable water and ice, temporary roofing material, medical supplies, and generators maps of the area without power and of the timing of the return of power and maps of road and bridge closures and downed power lines. Beyond this, products must also be useful and usable, which means that quality assurance and quality control (QA/QC) procedures and accurate metadata are essential. Attention must be given to reducing errors that arise when data are collected by different entities, or at different times, and then integrated into information products. Agreements need to be made regarding data reporting intervals and times, and data have to be time-stamped accurately. Finally, generation of data, information, and products is only part of the challenge&mdashthese must then be distributed to those who need them to do their jobs. Geospatial data are often voluminous, and this is especially true of imagery, which may amount to hundreds of megabytes or even gigabytes. Moving such volumes of data over networks that may have been partially disabled can be problematic, and Internet access to data repositories often fails. Firewalls and other security software installed on networks can also pose problems for the distribution of data and can significantly slow response. Agencies have often had to resort to physical distribution of CDs (compact discs) and other digital media during the response phase.

During the response phase immediately following an event, but prior to good information being available either from remote-sensing sources or from reporting on the ground, geospatial models can be used to provide damage estimates (e.g., immediately after an earthquake). Alternatively, real-time data from in situ monitoring can be used with geospatial models to determine conditions during an event, such as the use of real-time stream gauge data to issue flood warnings or the use of Doppler radar data, which results in the issuance of public warnings for severe thunderstorms and tornadic activity. While both imagery and verified reports from the impact area will eventually replace and refine the information provided by models, the latter may be the best source of information for several days after the onset of the disaster. Use of dynamic models can help guide and improve response for example, the wildfire community makes extensive use of real-time and near-real-time geospatial modeling of wildfire behavior for logistical support. Display functions remain important at this time, showing the location of damage to specific infrastructure components (e.g., the transportation and energy infrastructure) as well as the severity of damage and other specific information (e.g., damage to roofs, temporary repairs, and energy grid restoration planned during the next 24 hours).

Accomplishing all of these tasks is admittedly a substantial challenge in the earliest stages of disaster response, when demands are urgent and requests are voluminous. Poor products can have serious negative ramifications for response and recovery operations, however. For geospatial professionals to perform well in this environment, they must be able to rely on good training, relevant exercise experience, and sound standard operating procedures.

3.1.3Recuperação

Recovery includes short- and long-term activities undertaken after a disaster that are designed to return the people and property in an affected community to at least their pre-disaster condition of well-being. In the immediate term, activities include the provision of temporary housing, temporary roofing, financial assistance, and initial restoration of services and infrastructure repair. Longer-term activities involve rebuilding and reconstruction of physical, economic, and social infrastructure and, ultimately, memorializing the losses from the event.

Geospatial activities during recovery include the use of geospatial information and analysis to help managers direct the recovery process, including the urban search-and-rescue grid and status, tracking the progress of repairs, provision of temporary water and ice, locating populations,


Introdução

Streams and rivers are considered to be in a state of dynamic equilibrium when the sediment delivered to the channel is in balance with the capacity of the stream to transport and discharge that sediment [1]. Stream channels alternatively experience periods of alluvial deposition, followed by erosional downcutting of the alluvium, followed by periods of additional deposition. These cycles have created a landscape of terraces and floodplains, sculpted by the streams and rivers flowing through them [2]. Globally, changes in land use, climate and other factors have altered the historic patterns of transport and discharge, with significant changes to river shape, processes, sediment dynamics and water quality [2]. With these changes, soil erosion has been identified as a significant challenge in both developing and developed countries.

A landscape perspective of rivers and their watersheds demonstrates the influence of land use and disturbance on river structure and ecology at multiple scales [5]. European settlement in the southeastern United States began a period of forest clearing in the 1700's, followed by row crop agriculture [3]. These practices had deleterious ecological consequences to surface waters in the form of increased sediment loads and habitat degradation [3], [4], [6]–[9].

Before urbanization and agricultural clearing, streams in the Piedmont region of the southeastern United States, had low levels of suspended solids and high connectivity between the stream and surrounding floodplains [3], [4]. It has been estimated that 25 km 3 of soil have eroded from agricultural lands in the Piedmont region between the coastal plain and the Appalachian Mountains, with an average of 14 cm of topsoil lost from North Carolina since the early 1700's [3]. This erosion from agriculture has left a legacy of upland gullies and sediment deposition near and in streams and rivers [3].

Another anthropogenic disturbance to streams and rivers is the proliferation of dams and artificial water bodies. There are over 2 million artificial surface water impoundments including 82,000 dams in the continental United States, with some dating from the 17 th century [10], [11]. Both natural and man-made dams can have profound impacts on the ecology and geomorphology of rivers, altering patterns of sediment transport and deposition, water and energy flow, and aquatic habitat [10], [12], [13]. Downstream channel degradation due to dams has been documented for more than 85 years and in many cases has been extreme [14]–[17]. Downstream changes often include channel incision, channel pattern change (braided to single-thread or vice-versa), loss or encroachment of vegetation, and bank collapse [13], [18], [19]. Upstream of the dam there may be sediment deposition within the impoundment, leading to incision when the dam is removed [20].

Upstream urbanization, with the increase in impervious surface, has been shown to alter the flow of streams, increasing the frequency of “flashiness” and bank incision [2]. Susceptibility to erosion and hydromodification from urbanization varies with stream bed composition, armoring, bank height, bed and bank materials, precipitation patterns, and other factors [21], [22].

Sediment loading from bank erosion is a land management problem of global importance [23], [24]. Sediment is one of the most common pollutants from non-point sources, with over 6,000 water bodies across the United States showing significant suspended sediments [25]–[27]. Different bank materials, aerial and subaerial weathering, variations in grain size, shear strength of the bank materials, bank angle, and water potential can influence river bank mass wasting, failure and fluvial entrainment [23]–[25]. The ability to predict bank failure and erosion, however, is often uncertain, especially for stream banks with a varied depositional history such as from anthropogenic disturbance [26].

Processes that determine channel geomorphology differ between first and second order streams and larger rivers with larger watersheds [27]–[29]. Few high order rivers have been studied [27], [30]. In large rivers, conditions leading to river widening often are nonlinear, with energy adjustment resulting in different and sometimes opposite adjustment processes. This was seen in the North Fork Toutle River system in Washington State in the NW United States, where following the eruption of Mount St. Helens, one river was dominated by aggradation and widening, while another similar river was dominated by degradation [31]. Unstable channels continue to adjust following major disturbances, both anthropogenic and natural, until a stable floodplain is established with a progressive armoring of the channel bed [32], [33].

Sediment and nutrient loading are a global water quality concern, and are significant issues in the Haw River, a high order river in the North Carolina Piedmont. Jordan Reservoir, a major drinking water supply, is formed by a dam on the Haw [34]. However, water in the reservoir is considered impaired due to algal blooms from excess nutrients. To improve water quality, nutrient reduction goals have been established. Understanding the patterns of geomorphic change of the river and contributions of the river bank to sediment and nutrient load may provide a model for water quality improvement in this and similar systems.

Similarly to other developing areas, the Haw River watershed has a history of profound disturbance through forest conversion to row crop agriculture, the construction of dams, and upstream urbanization. In 2014, it was identified as the 9 th most threatened river in the United States by the organization American Rivers. The river today has little resemblance to the clear water and low banks from historical descriptions [35].

The primary objective of this study was to identify factors influencing bank geomorphic change and erosion of the Haw River using field measurements. Few reports on erosion of high order rivers have been published, with most based on model estimations. River traits included river slope, riparian soil type and slope, land cover, bank angle, surface protection, bank height, bankfull height and root density and depth. The Haw River has highly incised, unstable banks exhibiting extensive mass wasting, undercutting with bank collapse and fluvial entrainment. Understanding alluvial channel behavior and the channel response to disturbance will provide insight into understanding the factors controlling erosion patterns, shape and balance of the Haw and other high order rivers.


6 Geospatial Data

  • Drafted project proposals and created ArcIMS web applications for Saint Mary's GeoSpatial Services.
  • Conducted detailed analysis and production for Geospatial Intelligence products in response to project requests assisting in Operation Iraqi Freedom.
  • Analyzed geospatial available information and extracted data by utilizing feature compilation guidance and standards provided by the customer.
  • Acted as lead in integrating geospatial environmental data for environmental assessments and environmental impact statements.
  • Support US Army Installation Geospatial Information and Services program and develop quality assurance procedures.
  • Coordinated and supervised the collection, analysis, interpretation, and processing of geospatial information
  • Design and develop geospatial and enterprise databases while considering relationships to related systems.
  • Preformed quality assurance/quality control on geospatial products produced by other GIS staff members.
  • Developed many geospatial tools for geological and surface analysis within ArcGIS.
  • Maintained quality geospatial production on the given specifications to deliverable data.
  • Created, edited, and reviewed geospatial documentation and metadata.
  • Prepared presentations summarizing geospatial research which informed 9-1-1 management decisions.
  • Maintained structural integrity updated and archived all geospatial data.
  • Use Python/ArcPy scripting for automation and advanced geospatial processing.
  • Performed geospatial analysis and mapping projects as needed.
  • Maintain geospatial attributes associated with the pipeline system.
  • Increased geospatial accuracy by approximately 20%.
  • Updated over 360 published geospatial intelligence products.
  • Provided timely service and support for civilian and military clients by creating quality geospatial maps and projects to support their mission.
  • Managed live situation map which combined multiple streams of real-time geospatial data to show mission status and related weather conditions.