Mais

Como posso carregar JSON no GRASS?


Recebi dados de precipitação em formato JSON. Eu quero carregar os dados no GRASS.

Saída JSON de amostra:

{"50.922759, -90.089954": {"current_conditions": {"air_temp": {"unit": "F", "value": 37.0}, "cloud_cover": {"unit": "%", "value" : 100.0}, "descriptors": {"cloud_cover_descriptor": {"code": 20500, "text": "Cloudy"}, "Notice_descriptor": {"code": 10500, "visibility_obstruction_descriptor": {"code": 10500 , "text": "None"}, "weather_descriptor": {"code": 20500, "wind_direction_descriptor": {"code": 52200, "text": "Variable"}}, "dew_point": {"unit" : "F", "valor": 34.0}, "ice_acc_last_hour": {"unit": "n / a", "value": "n / a"}, "liquid_acc_last_hour": {"unit": "n / a "," valor ":" n / a "}," msl_pressure ": {" unidade ":" mb "," valor ": 1024.0}," precip_acc_last_hour ": {" unidade ":" n / a "," valor ":" n / a "}," umidade relativa ": {" unidade ":"% "," valor ": 88,0}," snow_acc_last_hour ": {" unidade ":" n / a "," valor ":" n / a "}," station_pressure ": {" unit ":" mb "," value ": 977,0}," u_wind_speed ": {" unit ":" mph "," value ": 1,9}," v_wind_speed ": {"unit": "mph", "value": 3.0}, "valid_time_end": 1412048400.0, "valid_time_start": 1412044800.0, "visibility": {"unit": "mi", "value": 10.0}, "wind_direction ": {" unidade ":" graus ", "value": 213,0}, "wind_speed": {"unit": "mph", "value": 3,0}}}}


Infelizmente, este é um formato JSON personalizado (e não GeoJSON), então não vejo outra opção além de reformatar esses dados, o que requer alguma codificação:

  • Você pode reformatá-lo para estar em conformidade com GeoJSON (ou qualquer outro formato que seja legível por OGR) e usar v.in.ogr.
  • Ou você pode reformatá-lo para o formato GRASS ASCII e importar os dados do ponto com v.in.ascii, consulte o exemplo 3.

Como posso carregar JSON no GRASS? - Sistemas de Informação Geográfica

Licença de matéria-prima: BSD 3-Cláusula

Resumo: Sistema de Apoio à Análise de Recursos Geográficos

GRASS GIS, comumente referido como GRASS (Sistema de Apoio à Análise de Recursos Geográficos), é um conjunto de software de Sistema de Informação Geográfica (GIS) gratuito e de código aberto usado para gerenciamento e análise de dados geoespaciais, processamento de imagens, produção de gráficos e mapas, modelagem espacial e visualização.

A instalação de grama do canal de forja de conda pode ser conseguida adicionando forja de conda aos seus canais com:

Uma vez que o canal conda-forge tenha sido habilitado, a grama pode ser instalada com:

É possível listar todas as versões de grama disponíveis em sua plataforma com:

conda-forge é um canal conda de pacotes instaláveis ​​liderado pela comunidade. Para fornecer compilações de alta qualidade, o processo foi automatizado na organização conda-forge GitHub. A organização conda-forge contém um repositório para cada um dos pacotes instaláveis. Esse repositório é conhecido como um matéria-prima.

Uma matéria-prima é composta de uma receita de conda (as instruções sobre o que e como construir a embalagem) e as configurações necessárias para a construção automática usando serviços de integração contínua disponíveis gratuitamente. Graças ao incrível serviço fornecido pela CircleCI, AppVeyor e TravisCI, é possível construir e fazer upload de pacotes instaláveis ​​para o canal conda-forge Anaconda-Cloud para Linux, Windows e OSX, respectivamente.

Para gerenciar a integração contínua e simplificar a manutenção da matéria-prima, o conda-smithy foi desenvolvido. Usando o conda-forge.yml dentro deste repositório, é possível renderizar novamente todos os arquivos de suporte dessa matéria-prima (por exemplo, os arquivos de configuração CI) com conda smithy rerender.

Para obter mais informações, verifique a documentação do conda-forge.

matéria-prima - a receita conda (matéria-prima), scripts de suporte e configuração de CI.

ferraria de conda - a ferramenta que ajuda a orquestrar a matéria-prima. Seu uso principal é na construção de arquivos CI .yml e simplifica o gerenciamento de vários matérias-primas.

Conda-Forge - o local onde a matéria-prima e a ferraria vivem e trabalham para produzir o artigo acabado (distribuições de conda construídas)

Se você gostaria de melhorar a receita de grama ou construir uma nova versão do pacote, por favor, bifurque este repositório e envie um PR. Após o envio, suas alterações serão executadas nas plataformas apropriadas para dar ao revisor a oportunidade de confirmar que as alterações resultaram em uma construção bem-sucedida. Uma vez fundida, a receita será reconstruída e enviada automaticamente para o canal conda-forge, onde os pacotes conda construídos estarão disponíveis para todos instalarem e usarem do canal conda-forge. Observe que todos os branches no conda-forge / grass-feedstock são imediatamente construídos e quaisquer pacotes criados são carregados, então os PRs devem ser baseados em branches em forks e branches no repositório principal devem ser usados ​​apenas para construir versões de pacotes distintas.


2. Metodologia

A biblioteca PyGRASS é escrita em Python e faz uso de módulos da biblioteca padrão Python [15], como: sys, fnmatch, coleções, sqlite3, bem como da biblioteca Python de terceiros, NumPy [16]. NumPy é um pacote para computação científica. Já é uma dependência do GRASS. Uma biblioteca opcional é psycopg2 [17], que é usada para fazer a interface do tratamento de atributos do vetor PyGRASS com o banco de dados PostgreSQL.

consistência - a biblioteca deve aderir às normas e arquitetura comumente encontradas em Python e GRASS, a fim de evitar confusão para usuários que estão familiarizados apenas com um dos itens acima

simplicidade - a biblioteca deve ser simples e intuitiva, sem ocultar o acesso à funcionalidade de nível inferior, de fato, fornecendo uma experiência de usuário perfeita entre a C-API de baixo nível do GRASS com uma abordagem de Python orientada a objetos de nível superior

flexibilidade - a biblioteca deve ser flexível, permitindo o uso de módulos GRASS existentes e dando a cada usuário a liberdade de implementar sua própria lógica, usando ferramentas de programação mais detalhadas e refinadas

desempenho - a biblioteca deve ser rápida, considerando tanto o desenvolvimento quanto o tempo de CPU. As funções da API GRASS C são amplamente utilizadas pelo PyGRASS sempre que possível.

A biblioteca está dividida em duas partes: a primeira é mais relacionada à atividade de script e os módulos GRASS a segunda é focada nos aspectos de programação e API C do GRASS.

Para melhorar o script API existente do GRASS, o PyGRASS considera cada módulo GRASS como um objeto com parâmetros de entrada, parâmetros de saída e sinalizadores. Quando o objeto é “instanciado”, a classe Module analisa a descrição da interface XML gerada a partir dos módulos GRASS por meio do sinalizador –interface-description para saber quais parâmetros e sinalizadores estão definidos. Para cada parâmetro, os metadados são analisados. Os metadados especificam se um parâmetro é obrigatório ou opcional, se é uma entrada ou uma saída, que tipo é (raster, vetor, string, float, etc.) e muitos mais. Essas informações permitem que a classe verifique a exatidão dos parâmetros e fornece a capacidade de sugerir os corretos. A identificação de entradas e saídas permite a implementação de cadeias de processos. O design da interface desta classe foi escolhido para suportar a implementação de serviços de execução de processos locais e remotos, que podem ser adicionados no futuro. Para implementar uma interface para um Web Processing Service (WPS), a definição de entradas complexas, saídas complexas e literais deve ser conhecida para gerar a solicitação de execução XML. O mesmo é verdadeiro para serviços de execução de processos remotos baseados em WSDL / SOAP. A classe Module fornece todas as informações específicas do módulo necessárias por design.

A API de script Python atual define várias funções para gerenciar o módulo GRASS: o make_command retorna uma lista de strings com as opções de comando de um dicionário de chaves e valores. O start_command é uma interface orientada a GRASS para subprocessar. Popen (um módulo de criação e gerenciamento de processo fornecido pela biblioteca padrão Python), que usa internamente a função make_command. Todas as outras funções de comando run / pipe / feed / read / write / parse são wrappers especializados do start_command.

A classe Módulo do PyGRASS reúne todos esses recursos em um único objeto, conectando diretamente as entradas e as saídas dos módulos GRASS, consulte a Listagem 1 no Apêndice.

A classe do módulo PyGRASS simplifica a sintaxe Python tanto quanto possível para ser competitiva com a interface do módulo POSIX. Ele oferece suporte à sintaxe de compatibilidade com versões anteriores e aprimora a API para fornecer uma ferramenta que gerencia os erros dos usuários e retorna a lista de opções válidas. Além disso, a biblioteca PyGRASS oferece a capacidade de passar texto para um comando como entrada (stdin), para capturar a saída de texto (stdout) e a mensagem de erro (stderr) de um comando. Por fim, o PYGRASS permite que os usuários gerenciem (ou seja, encerrem, encerrem, aguardem) o processo.

A biblioteca PyGRASS introduz uma API Python Orientada a Objetos (OO) para GRASS, que implementa para cada entidade GIS / GRASS uma ou mais classes. As classes usam as estruturas e funções C por meio da interface ctypes existente. Ctypes é uma biblioteca Python que fornece tipos de dados compatíveis com C e permite chamar funções em DLLs ou bibliotecas compartilhadas. Ele pode ser usado para envolver essas bibliotecas em Python puro. Nossa interface Python de nível superior usa ctypes para integrar as estruturas e funções GRASS C-API subjacentes em uma estrutura orientada a objetos, mas ao mesmo tempo, tentando respeitar o fluxo de trabalho GRASS e a nomenclatura para estar em conformidade com a C-API. O ponteiro ctypes específico do objeto para as estruturas C subjacentes estão disponíveis no nome do atributo que começa com c_*. Isso permite que o usuário acesse as estruturas GRASS C-API de nível inferior diretamente usando a interface ctypes. Essas aulas permitem enfrentar o problema a ser enfrentado de forma mais abstrata. Uma abordagem orientada a objetos de alto nível pode ajudar os usuários a enfrentar o problema, mesmo que eles não estejam familiarizados com os detalhes de implementação do nível C-API, agilizando a fase de design, escrita, prototipagem e depuração.

Arquitetura da Biblioteca

modules contém as classes Module, MetaModule e Parameter. Essas classes são projetadas para substituir a abordagem de script anterior baseada em POSIX (consulte a Listagem 2) e substituir partes da API de script Python existente (consulte a Listagem 3).

A arquitetura orientada a objetos da biblioteca PyGRASS permite que os usuários interajam com os módulos GRASS como objetos Python. Esses objetos permitem acesso direto aos atributos do módulo como: nome, descrição e palavras-chave. As opções de entrada e saída são implementadas usando uma classe de parâmetro dedicada. As instâncias dessa classe são armazenadas em um dicionário de entrada ou em um dicionário de saída no objeto de módulo, Listagem 4. As entradas e saídas podem ser referenciadas por seus nomes nos dicionários ou como atributos dos objetos de dicionário. Eles podem ser conectados entre si para criar cadeias de processo, consulte a Listagem 1. O sistema de verificação de tipo da classe de parâmetro garante que as opções de saída só possam ser conectadas com opções de entrada de módulos diferentes quando tiverem o mesmo tipo. Portanto, a biblioteca do módulo PyGRASS irá gerar um erro caso a saída de um módulo vetorial tenha sido conectada a uma entrada raster de um segundo módulo.

A biblioteca do módulo PyGRASS apresenta parâmetros especiais para permitir o controle de grãos finos sobre os processos GRASS. Esses parâmetros especiais terminam com o caractere ‘_’ para evitar uma confusão com os nomes das opções. Os primeiros dois parâmetros especiais - run_ e finish_ - são usados ​​para gerenciar o processo. A definição do parâmetro run_ = True executará o processo imediatamente e finish_ = True esperará até que o processo termine, consulte a Listagem 5. Outros parâmetros especiais que foram incluídos são: stdin_, stdout_ e stderr_. Os parâmetros stdin_ e stdout_ são usados ​​para conectar as entradas e saídas textuais de diferentes módulos para criar um pipeline de processo stdin_ é usado para passar a saída textual (stdout_) de um processo para outro, consulte a Listagem 6

vector contém as classes Vector sem a topologia GRASS e VectorTopo com a topologia GRASS.

A classe Vector permite que o usuário acesse os recursos de geometria não topológica de um mapa vetorial em ordem sequencial, consulte a Listagem 7. A classe VectorTopo foi projetada para acessar recursos de geometria topológica e não topológica de um mapa vetorial em ordem aleatória. Esta classe permite iterar entre os tipos de recursos específicos, consulte as Listagens 8 e 9. A gravação é suportada nas classes de booth em ordem sequencial. No entanto, recursos já escritos podem ser atualizados na classe de acesso topológico. As seguintes classes são projetadas para representar recursos vetoriais: Ponto, Linha, Centróide, Limite, Ilha e Área. As instâncias dessas classes são geralmente criadas quando os recursos são lidos de mapas vetoriais pelas classes Vector e VectorTopo. Para gerenciar múltiplas conexões com bancos de dados SQL de atributos vetoriais, foram projetadas as classes DBLinks e Link. As tabelas de atributos podem ser criadas, acessadas e modificadas com a classe Table. A classe Filter fornece vários métodos para trabalhar com os dados sem a necessidade de conhecer SQL. Para acessar o conteúdo da tabela de atributos a partir de um recurso de geometria, a classe Attrs foi projetada.

raster contém as classes (RasterRow, RasterRowIO, RasterSegment e RasterNumpy).

Cada classe usa uma biblioteca GRASS C diferente para conceder um tipo específico de acesso a mapas raster. Todas as classes raster compartilham métodos comuns para abrir um mapa, ler valores raster ou linhas raster, obter informações raster e escrever metadados, como categorias e histórico. Semelhante ao vetor, uma sintaxe semelhante foi usada para instanciar, abrir e fechar um objeto raster.

A classe RasterRow lê o conteúdo do mapa raster linha por linha e o grava em modo sequencial, linha após linha, consulte as Listagens 10 e 11.

A classe RasterRowIO implementa um cache de linha que permite aos usuários ler linhas raster aleatoriamente, mantendo um número de linhas na memória principal. Esse mecanismo de armazenamento em cache evita o uso pesado de I / O (entrada / saída) do disco rígido em tarefas específicas, como mover operações de janela ou análise de vizinhança de célula. Da mesma forma que o RasterRowIO, a classe RasterSegment fornece acesso a um cache de bloco. O cache de blocos é uma representação não compactada de um mapa raster que será criado no ponto de inicialização. O acesso ao arquivo descompactado é baseado em blocos que são armazenados em cache na memória principal para acesso rápido de leitura e gravação aleatória por meio da classe Segment. Com a classe RasterSegment, é possível ler e escrever o valor do pixel aleatoriamente ao mesmo tempo no mesmo mapa.

A classe RasterNumpy herda de uma classe numpy.memmap e permite que os usuários interajam com o mapa como uma matriz NumPy.

gis contém classes de gerenciamento GRASS, como Gisdbase, Location e Mapset, que ajudam os usuários a interagir com o ambiente GRASS, consulte a Listagem 12. A classe Region gerencia a região computacional de GRASS que afeta diretamente o processamento raster 2D e 3D, bem como vários processamentos vetoriais algoritmos, consulte a Listagem 13.

A biblioteca PyGRASS garante que o gerenciamento de memória seja totalmente feito pelo python. Todas as estruturas do GRASS C-API usadas pelo PyGRASS são objetos ctypes ou são excluídas do destruidor da classe e, portanto, são gerenciadas pelo coletor de lixo Python. O usuário não deve cuidar da alocação e exclusão de memória diretamente.


2.2 GRASS GIS

GRASS GIS é um sistema de informação geográfica de código aberto, multiuso e multiplataforma (Neteler e Mitasova, 2008 Neteler et al., 2008, 2012) que oferece suporte a utilitários para cálculos raster e vetoriais eficientes (Hofierka et al., 2009 Mitasova et al., 1995 Shapiro e Westervelt, 1994 Šúri e Hofierka, 2004). Inclui interfaces gráficas e de linha de comando e pode ser conduzido por scripts shell ou Python. Ele suporta dados raster e vetoriais 2-D e 3-D e inclui gerenciamento de banco de dados de tabela de atributos baseado em SQL. Os utilitários GSFLOW – GRASS foram escritos para a versão estável mais recente do GRASS GIS, v7.4. Isso suporta scripts Python para comandos integrados de alto nível e para acesso de baixo nível a entradas de banco de dados e geometrias vetoriais (Zambelli et al., 2013). Aproveitamos esses recursos para desenvolver um fluxo de trabalho automatizado para construir entradas GSFLOW por meio do GRASS GIS.

Escolhemos GRASS GIS como a interface para desenvolver entradas porque (1) é de código aberto e plataforma cruzada (2) ele impõe topologia vetorial rígida, que é crítica para a construção de redes de fluxo (3) sua ampla biblioteca de hidrologia embutida ferramentas incluem aquelas para o desenvolvimento de rede de drenagem vetorizada com indexação crescente downstream (Jasiewicz e Metz, 2011), que é essencial para definir caminhos de fluxo e adjacências (4) sua biblioteca de scripts Python genérica e interface de programação de aplicativos (API) PyGRASS tornam mais fácil desenvolver novas extensões (5) essas extensões podem ser adicionadas ao repositório oficial do subversion (svn), a partir do qual podem ser automaticamente baixadas e instaladas nos computadores dos usuários usando o g.extensão e (6) fornece uma GUI e uma interface de linha de comando (CLI) que são consistentes entre si. As interfaces GUI e CLI não são necessárias para GSFLOW – GRASS porque o componente GRASS GIS é tratado principalmente nos bastidores por um script Python de processamento em lote (buildDomainGRASS.py, Sect. 3.2) no entanto, eles permitem que os usuários finais executem novamente certas partes do processo e / ou produzam seus próprios fluxos de trabalho usando as extensões GSFLOW – GRASS como blocos de construção. O aspecto de código aberto do presente trabalho é em parte motivado pela necessidade de avaliação da água e ferramentas de planejamento no mundo em desenvolvimento (Pal et al., 2007), e essas extensões, combinadas com a GUI e CLI intercambiáveis ​​e consistentes, podem ajudar os usuários a gerar suas próprias personalizações avançadas de GSFLOW – GRASS.

Adotamos uma superfície heterogênea e domínio computacional de subsuperfície para GSFLOW – GRASS que emprega HRUs de superfície de sub-bacia que estão ligados a células de grade de subsuperfície. Além da eficiência computacional de discretização de terreno complexo em sub-bacias com formas complexas em vez de usar um domínio de superfície em grade na resolução necessária para resolver os HRUs, o uso de HRUs de sub-bacia que direcionam o escoamento superficial diretamente para segmentos de fluxo também elimina a necessidade de estabelecer uma rede em cascata (Seção 2.1.2). Por causa do esquema de roteamento de água de superfície conceitual (em vez de baseado em gradiente) do GSFLOW, as diferenças numéricas entre a sub-bacia e HRU em grade são difíceis de prever, mas a caixa de ferramentas GSFLOW – GRASS automatizada pode ajudar a permitir testes futuros para interrogar rigorosamente seus respectivos desempenhos.

GSFLOW – GRASS atinge um equilíbrio entre a geração de uma implementação GSFLOW pronta para uso e o fornecimento de flexibilidade para personalizar aplicativos. Com um conjunto recém-desenvolvido de ferramentas de construção de domínio GIS automatizadas e robustas, GSFLOW – GRASS pode ser aplicado a qualquer modelo digital de elevação (DEM) para produzir simulações de modelo GSFLOW. Apenas algumas etapas são necessárias para configurar um modelo GSFLOW no sistema de computador do usuário. Para um ajuste posterior do modelo, todos os scripts na caixa de ferramentas são de código aberto e comentados para permitir alterações em qualquer parâmetro, bem como o desenvolvimento de recursos GSFLOW opcionais não incluídos na implementação GSFLOW – GRASS padrão. Muitos programas populares de implementação de modelos hidrológicos têm GUIs, incluindo ModelMuse (Winston, 2009), Visual Modflow (Waterloo Hydrogeologic Inc., 2011), Hydrus (Simunek et al., 2009), ArcSWAT (Neitsch et al., 2002) e MIKE -SHE (Butts e Graham, 2005). Embora sejam mais fáceis para usuários de modelo novatos, as GUIs podem ser desafiadoras para desenvolver implementações de plataforma cruzada e geralmente oferecem menos flexibilidade para personalização. Portanto, escolhemos uma abordagem principalmente de linha de comando, que foi projetada e testada para uso em sistemas operacionais Linux e Windows.

Figura 3Fluxo de trabalho GSFLOW – GRASS.


Recursos geoespaciais (SIG), dados espaciais e mapas

Localizar dados espaciais pode ser difícil. Por favor, não hesite em entrar em contato com a equipe da Map Collection para obter assistência se tiver dificuldade em encontrar algo em particular. Este guia não pretende cobrir todos os recursos disponíveis, mas sim listar os mais comumente solicitados e atualizados regularmente.

Outros guias e recursos estão disponíveis no Página inicial da coleção de mapas

Qualquer dúvida pode ser enviada por e-mail para a equipe da Biblioteca [email protected] ou Reserve uma consulta de pesquisa

Atualizações de coleção

Atualização no Centro de Recursos do Leste (1º de março de 2021)

Nos últimos três anos, o trabalho de design de conceito e preparação do local para desenvolver um distrito estudantil de classe mundial tem estado em andamento no canto sudeste do campus de Parkville & ndash o projeto do Novo Distrito Estudantil. 2020 marcou o início da próxima e mais intensa fase deste projeto.

De 28 de junho de 2020 até o final de setembro de 2021, o Eastern Resource Centre estará inacessível a todos os funcionários e alunos devido à reconstrução como parte do projeto New Student Precinct. Para solicitar itens, entre em contato com a equipe da Coleção de Mapas.

Os recursos essenciais para os alunos durante este período estarão localizados em outras bibliotecas no campus de Parkville. Todos os outros recursos do ERC estarão localizados em armazenamento externo e acessíveis por meio do formulário de solicitação online a todos os funcionários e alunos.

Para obter mais informações sobre o projeto NSP, consulte o nova página da delegacia estudantil.


Abstrato

Nos últimos anos, a frequência e a intensidade das secas aumentaram e houve uma grande tendência de seca em muitas partes do mundo. Consequentemente, o monitoramento de secas usando análise de big data ganhou um interesse explosivo. As secas estão entre os desastres naturais mais prejudiciais. Ameaça a produção agrícola, o meio ambiente ecológico e o desenvolvimento socioeconômico. Por esse motivo, o alerta precoce, a avaliação precisa e a previsão eficiente são uma emergência, especialmente para as nações mais ameaçadas por esse perigo. Existem vários estudos emergentes abordando big data e suas aplicações no monitoramento de secas. Na verdade, o big data manipula a heterogeneidade de dados que é um valor aditivo para a previsão da seca, pois oferece uma visão de diferentes dimensões como a distribuição espacial, a distribuição temporal e a detecção da severidade deste fenômeno. A análise de big data e a seca são apresentadas e revisadas neste artigo. Além disso, esta revisão inclui diferentes estudos, pesquisas e aplicações de big data no monitoramento de secas. Desafios relacionados ao ciclo de vida de dados, como desafios de dados, desafios de processamento de dados e desafios de gerenciamento de infraestrutura de dados também são discutidos. Finalmente, concluímos que a análise de big data pode ser benéfica no monitoramento de secas, mas há uma necessidade de abordagens estatísticas e baseadas em inteligência artificial.


Sistemas de Informação Geográfica em Agronomia

Este capítulo tem como objetivo fornecer uma introdução ao sistema de informação geográfica (SIG) e ferramentas de paisagem associadas e ilustrar as maneiras pelas quais eles estão sendo usados ​​em vários aspectos da agronomia. A tecnologia GIS está trazendo mudanças rápidas na forma como a análise e gestão agronômica estão sendo conduzidas. O GIS, juntamente com sensoriamento remoto, Sistema de Posicionamento Global (GPS), sensores eletrônicos e tecnologias de computador, está fornecendo novos métodos para aquisição, armazenamento, processamento, análise e modelagem de dados. Essas novas ferramentas nos permitem descrever quantitativamente paisagens e processos. O capítulo discute a agricultura específica do local (SSF) - isto é, o manejo da fazenda com base em condições de solo e microclima variáveis ​​que ocorrem na maioria dos campos. SSF reduz o desperdício, porque fertilizantes e herbicidas - por exemplo - são aplicados somente onde necessário. Modelos novos e / ou aprimorados precisam ser desenvolvidos para aproveitar ao máximo a natureza espacial dos dados fornecidos por essas ferramentas. O desenvolvimento desses modelos se baseará em técnicas de análise estatística espacial para quantificar a precisão dos parâmetros de entrada e saída do modelo. Muitas novas ferramentas estão sendo usadas neste campo de rápida evolução do GIS. Simulação de cena tridimensional, visualização e animação associada a tecnologias de sensoriamento remoto e processamento de imagens e coleta de dados em tempo real serão necessárias no estudo de sistemas agronômicos. O desenvolvimento e uso de SIG tridimensional e SIG espaço-temporal será uma área de pesquisa cada vez mais importante. A comunidade agronômica - incluindo agricultores, administradores de terras, colegas cientistas, formuladores de políticas e o público em geral devem se beneficiar com este campo em evolução e expansão.


Sistemas de Informação Geográfica

A Divisão de Sistemas de Informação Geográfica (GIS) adquire, gerencia, interpreta, analisa e mapeia dados geográficos para garantir que o município e o público possam tomar melhores decisões. A Divisão GIS também inclui o Seção de endereçamento E-911 que é responsável por fornecer o endereçamento correto para apoiar os serviços de resposta a emergências no Condado de Santa Fé.

Produtos e serviços GIS
A equipe do GIS pode criar mapas personalizados e produtos digitais para atender às suas necessidades específicas com base no tempo e nos materiais.

Serviços de mapas interativos
A Divisão GIS está em processo de construção de um novo Portal de Mapas Interativos. Este novo portal de mapas substituirá a página de serviços de mapas online existente, melhorará o acesso aos dados do condado e fornecerá aos usuários recursos adicionais.
Clique aqui para visitar os serviços de mapas online existentes.

Aplicativos móveis
Atualmente, o Condado de Santa Fé tem um aplicativo móvel disponível para download no iTunes e na Google Play Store. O aplicativo Trails atualizado agora está disponível publicamente na Apple App Store e na Google Play Store:


Mapas de trilhas do condado de Santa Fe por Mindshare Labs

Use este aplicativo para explorar trilhas em Santa Fe County.

Não está interessado em um aplicativo móvel? Visite a Mapa de trilhas interativas do condado de Santa Fe usando seu computador ou dispositivo móvel. Este mapa de trilhas interativo baseado em computador é mais robusto e contém perfis de elevação para cada trilha e, quando disponíveis, fotos de trilhas. Use este aplicativo para explorar trilhas de caminhada no Condado de Santa Fé.

Contate-Nos
Divisão GIS do condado de Santa Fe
100 Catron St.
Santa Fé, NM 87501
Escritório Central: (505) 995-2732
Aberto às 8h00 e às 17h00
Segunda-feira e ndash sexta-feira

Socorro Ojeda
Auxiliar Administrativo
(505) 995-2732
[endereço de e-mail protegido por bot]

A. Erle Wright
Gerente GIS
(505) 986-6350
[endereço de e-mail protegido por bot]

Julian Sena
Analista GIS
(505) 986-6355
[endereço de e-mail protegido por bot]

Rob Jackson
Técnico de GPS
(505) 986-6246
[endereço de e-mail protegido por bot]

Anna Martinez
Técnico GIS
(505) 986-6348
[endereço de e-mail protegido por bot]

Christopher Vaisa
Administrador de banco de dados GIS
(505) 986-6335
[endereço de e-mail protegido por bot]

Mark Jurgens
Técnico de GPS
Escritório: (505) 986-6347
Celular: (505) 795-1829
[endereço de e-mail protegido por bot]


Perguntas comuns recebidas

Eu sou um topógrafo. Onde posso encontrar informações sobre monumentos de pesquisa e / ou pontos de controle no Condado de Santa Fé?

Folhas de dados e informações sobre monumentos de primeira ordem ou melhores pesquisas estão disponíveis no site da National Geodetic Survey: https://www.ngs.noaa.gov/datasheets/

Estou solicitando uma licença de desenvolvimento. O que eu preciso da Divisão GIS como parte do processo de inscrição?
Se você estiver solicitando uma licença de desenvolvimento do condado, a Divisão GIS fornecerá um mapa da licença, Formulário de Verificação de Endereço e um Formulário de Informação GIS. Esses documentos precisam ser entregues com o seu pedido de permissão.

Quais são os tipos e tamanhos de mapas que posso comprar?
A Divisão GIS produz uma grande variedade de mapas, estilos e tamanhos. Incluindo, mas não se limitando a: Mapas do local, mapas de análise de declive, mapas de contorno, mapas de propriedades adjacentes (buffer) (para notificações de correspondência) e muito mais. Os tamanhos podem variar de Carta a Pôster. Os mapas podem ser adquiridos em formato de cópia impressa e / ou em formato digital. Consulte a Lista de Preços de Produtos e Serviços GIS.

Sou um usuário CAD. Posso solicitar dados GIS no formato .dxf ou .dwg?
sim. Forneça ao pessoal da Divisão GIS a versão (ano) do programa CAD que você está usando e seu formato preferido (.dxf ou .dwg).


[un] Empacotando dados urbanos

Com as eleições legislativas da semana passada, tem sido difícil evitar a análise e interpretação do que os resultados podem significar. Como muitos, minha atenção foi capturada pelo drama em torno do controle da Câmara dos Representantes dos EUA e qual partido a controlaria nos próximos dois anos. Alguns estados como Vermont e Montana têm um único distrito congressional federal, mas para os outros 44 estados, todas as eleições são consequentes por causa de sua influência sobre quem controla como os novos limites são traçados após o Censo Decenal de 2020.

Baixei os limites dos distritos eleitorais mais recentes do site Census Cartographic Boundary Files e comecei a vasculhar. As principais coisas que você deve saber sobre os distritos eleitorais é que eles são idealmente contíguos e contêm aproximadamente o mesmo número de pessoas. O último critério garante que o voto de todos tenha o mesmo peso e o critério de contiguidade é projetado como um controle sobre a gerrymandering partidária.

A proporção de Polsby-Popper tem sido amplamente usada para medir a compactação de geografias eleitorais e parte de seu apelo é sua simplicidade. O PPR é (4π * A) / P 2 onde A é a área de um distrito e P o seu perímetro. Distritos com uma proporção de Polsby-Popper mais próxima de um são mais compactos ou regulares, enquanto os valores mais próximos de zero são irregulares e talvez mais sinistros. Aqui está um mapa rápido dos atuais distritos eleitorais federais sombreados de acordo com a proporção de Polsby-Popper.

As áreas vermelha e laranja realmente se destacam, mas não estão necessariamente onde eu esperava que estivessem. Um dos problemas de se confiar em estatísticas como essa isoladamente é que elas podem fornecer uma perspectiva tendenciosa. Distritos costeiros com limites complexos (por exemplo, Outer Banks da Carolina do Norte, New Orleans, a área de Boundary Waters de Minnesota) são potencialmente vítimas da geografia, e não o resultado de manobras políticas.

Também podemos considerar o quão bem o critério de população é atendido com um mapa como o mostrado abaixo.

Com uma faixa de pouco menos de 25.000 pessoas, o grau em que esses distritos contêm um número comparável de eleitores é discutível. Mas o que é mais interessante para mim neste caso é o óbvio padrão regional no tamanho da população dos distritos eleitorais. Deixando de lado a migração Sunbelt, áreas como o leste do Texas não são centros populacionais. Sim, os estados exercem influência significativa sobre como o redistritamento é feito, mas os parâmetros políticos em torno do redistritamento no Extremo Sul são realmente semelhantes aos da Califórnia e do Nordeste? Quem mora nos distritos eleitorais mais irregulares da América? Como os limites desses distritos individuais mudaram ao longo dos anos? Que partido chamou esses distritos e que partido venceu esses distritos nas eleições subsequentes? Eu tenho tantas perguntas, mas elas terão que esperar até uma postagem posterior no blog. Aqui está o código do mapa.

Não há festa como uma festa GIS grátis e de código aberto

Eu ensinei sistemas de informação geográfica (GIS) por mais de uma década e usei essas ferramentas por ainda mais tempo. A análise de dados geoespaciais é uma grande parte do que eu faço e o pacote ArcGIS da ESRI está entre as ferramentas mais familiares e confiáveis ​​que eu uso. No entanto, estou indeciso quanto ao uso exclusivo desse software em sala de aula e em minha pesquisa por alguns motivos.

O que acontece quando os alunos se formam? Os alunos atuais da minha instituição podem baixar gratuitamente uma licença renovável de um ano. For many urban planning students, they will take jobs that also provide access to the ESRI software after graduation, but for those that do not, what options are out there and how much of a learning curve will there be to transition away from ArcGIS?

Without the backing of an educational institution or employer, ArcGIS is expensive and pricing is increasingly difficult to understand. The cost of the standard ArcGIS Desktop product depends on whether you opt for a “term” or “perpetual” license with specialized extensions adding to the final bill. This business model makes sense as the array of applications and customers has exploded over the past two decades, but in addition to overwhelming those of us without a background in procurement, it feels very much like being nickeled-and-dimed.

QGIS (formerly known as Quantum GIS) has emerged as a viable alternative. It is close enough to the familiar ArcGIS Desktop software in the way it looks and in the way it functions. Building some degree of competence with an open-source GIS seems like a good investment, and so I have started to introduce QGIS in the advanced course that I teach.

QGIS is an excellent option if you just need to create maps or if you are engaged in very specialized, scientific analysis because chances are, there is a plug-in built by QGIS developers or someone in the user community that does what exactly what you want.

The fact that SAGA (System for Automated Geoscientific Analyses) and GRASS (Geographic Resources Analysis Support System) are part of the base installation enhances QGIS’ capacity to support more sophisticated analyses, but in my view ArcGIS is better for “mid-range” needs like geocoding addresses. This recent piece offers a more systematic comparison of the capabilities of QGIS and ArcGIS.

If you’re interested in checking out QGIS, you can access documentation and tutorials in multiple languages on this page, but you can also take a look at the short exercises I put together by clicking the links below.

The ‘Economic Mobility Atlas’ Is Just Not As Catchy

The Opportunity Atlas was released a few weeks ago, and like everyone else I was intrigued. The user interface is professionally crafted and the data visualization takes aim at a very important policy question—how does access to opportunity and by extension, social mobility vary across neighborhoods (and geographic scales) for persons of different household income, racial background, and gender.

The first thing that jumped out at me was how opportunity is being defined. It appears to be measured primarily in terms of income, with educational attainment and marital status as complementary indicators. There is an entire literature on the multi-dimensional nature of opportunity and how difficult it is to measure. The work of john a. powell and others at the Kirwan Institute from almost a decade ago is a good example of an attempt to move beyond income and to really grapple with the complexity of opportunity and its uneven distribution in space. Rather than comparing outcomes across groups, the focus of this approach to opportunity mapping is on the underlying factors that contribute to social mobility—which includes a heavy dose of economic mobility—and the levers that can be used to facilitate access to opportunity and social mobility. It also helps, to specify which groups or types of households we have in mind when attempting to measure opportunity, which the Opportunity Atlas acknowledges by including race/ethnicity and gender alongside household income as filters for the data presented.

The team of researchers behind the Opportunity Atlas use Census tracts as a proxy for neighborhoods, which is a common practice in the social sciences. I immediately searched for the Census tract I grew up in because if you’re like me, the immediate reaction is to evaluate all claims made about how the world works against your own experience.

But in fairness, the data presented in the Opportunity Atlas are not really about me. Literalmente. The underlying data are instead based on individuals born between 1978 and 1983, which accurately describes two of my younger brothers and a few of my cousins. I learned that average current income for kids born between 1978 and 1983 in this tract is among the lowest on average in the nation. I also noted that the employment rate was 77 percent and only 6 percent of the children from my home Census tract made it into the top 20 percent of the national income distribution as adults. This lack of economic mobility was not surprising, but it led to other questions about the underlying drivers of these outcomes.

The research team found that “in the southeast, rural areas tend to have lower rates of upward mobility than urban areas” and that the relationship is reversed in the Midwest and Mountain West regions. In my view, what is missing here is a more explicit acknowledgment of race in these results. Many rural areas in the southeast are home to large proportions of racial and ethnic minorities, while rural communities in Iowa, which is explicitly mentioned in the data story presented on the website, are overwhelmingly white (the state of Iowa is approximately 90 percent white only according to the American Community Survey). I wrote a paper two years ago that documents many of the same patterns at the county level and I spent more time trying to explain the observed regional differences in opportunity than the Opportunity Atlas team does here. If you can scale the paywall, you can read my county-level study here. Otherwise, send me a message and maybe you can borrow my ladder. You can also read this piece by john a. powell on the role of race, residential segregation, and policy in understanding contemporary disparities in access to opportunity. But I digress.

According to the Opportunity Atlas website, 44 percent of kids from the tract where I grew up stayed there, while 61 percent remained in the same commuting zone as adults. How much of the economic mobility that the Atlas is trying to capture requires physical mobility? Unfortunately the data in the Atlas do not speak directly to that question, but the movement of people out of and into a given place clearly impacts their life outcomes, as the research team notes. I now live in this Census tract 790 miles to the northwest where the average income and other outcomes for individuals born between 1978 and 1983 are very different. The 75 th percentile of parents’ income in the tract where I now live was $64,000 versus $46,000 in the Census tract where I grew up.

This part of Champaign was probably farmland during the 1980s, which also invites questions about how the neighborhoods featured in the Opportunity Atlas (70,000 Census tracts in the country) have changed over the past forty years. Neighborhood change is not an exclusively urban phenomenon. A former colleague observed that “as rural places grow they cease to be rural”. It is unclear how the Opportunity Atlas defines “rural” and how that designation might have evolved over time for many of the Census tracts in the study. More importantly, recent survey results and data suggest that physical mobility is on the decline, which raises the stakes for the place-based policies the research team advocates. I was willing and able to relocate to improve my life outcomes, but based on the data in the Atlas, my experience is the exception and not the rule.

The Opportunity Atlas succeeds at drawing attention to spatial inequality at geographic scales below the county and city, but the logical next question is how can these data be used to bring about positive change? I think the answer lies in truly understanding what has enabled the economic mobility that this data visualization documents otherwise, the neighborhood effects illustrated here have limited practical value. As someone who has lived the economic and social mobility the Opportunity Atlas highlights, I am skeptical of anyone who suggests that it can be achieved in isolation or that individuals who are smart enough and work hard can radically improve their life outcomes single-handedly. The task for urban planners—and all of us—is to remove obstacles that impede economic and social mobility and to expand the resources, networks, and culture that support it.


Geographic Information Systems

Geographic Information Systems (GIS) Staff is responsible for maintaining the Office’s digital databases and  maps, and analyzing information for internal and public use.  GIS Staff strives to meet the needs of its customers with the highest accuracy possible.

  • Anne Arundel County's GIS layers are stored as ESRI shapefiles. The GIS Section uses ArcGIS 10.3.1. for their map production and analysis.
  • Data can be provided in a variety of scales.
  • All of our map data is projected to the US State Plane Coordinate System for Maryland and is in NAD83 Feet. This map projection is applicable for all Anne Arundel County data.
     

Q: What is GIS?
A: GIS stands for Geographic Information Systems, which is a collection of computer software, hardware, and people that serve to create, manipulate, and store geographic data or map information.

Q: How can I obtain a map?
A: For Zoning maps, Critical Area maps, Subdivision maps, and a variety of other publications sold to the public, visit the Information Counter. 
 
Q: Chere can I purchase Digital Data products?
A: Digital Data products are available through the Information Counter on the 4th floor of 2664 Riva Road, Heritage Office Complex.
 
Q: Does P&Z GIS create custom paper maps for the public?
A: Currently, we are not able to create custom maps for the public. Public maps are intended to address the public's mapping needs, as are the many maps available at the Information Counter  on the 4th floor of 2664 Riva Road, Heritage Office Complex.