Mais

Como acessar a camada no QGIS?


Eu quero que o QGIS atualize de um arquivo CSV como este Como atualizar dados de uma tabela externa em tempo real? pergunta, no entanto, não consigo descobrir o que colocar para "myLayer". Como posso definir a camada QGIS ativa em meu código?


A abordagem mais básica seria

myLayer = iface.activeLayer ()

Requisitos

Este plugin funciona no QGIS versão 3.0 ou superior.

Instalar

O plugin pode ser instalado usando o gerenciador de plugin QGIS. Escolha Gerenciar e instalar plug-ins no menu Plug-in.

Na janela do gerenciador de plug-ins, certifique-se de estar na guia Todos e pesquise por TravelTime. O plugin aparecerá na lista. Selecione-o na lista e clique em instalar.

Atualizar e desinstalar

Se uma atualização estiver disponível, você será notificado na janela principal do QGIS. O plugin pode ser atualizado ou desinstalado da janela do gerenciador de plugin.


GIS para biólogos

GIS para biólogos visa fornecer treinamento relativamente barato, fácil de acessar e de alta qualidade para biólogos que desejam aprender como usar Sistemas de Informação Geográfica (SIG) em suas pesquisas. É uma contrapartida online dos populares cursos presenciais administrados por GIS em ecologia, e fornece uma maneira de acessar esses cursos a um custo substancialmente reduzido e sem custos de viagem ou acomodação associados, tornando-os muito mais acessíveis. Nosso treinamento é baseado em exercícios práticos em um livro chamado GIS para biólogos: uma introdução prática para alunos de graduação e consiste em uma série de vídeos sob demanda que fornecem instruções passo a passo para a conclusão de cada exercício.

No momento, três exercícios estão disponíveis (Exercício um e # 8211 como fazer um mapa, Exercício dois & # 8211 como criar suas próprias camadas de dados de característica e Exercício três & # 8211 como trabalhar com camadas de dados raster), que juntos fornecem um breve curso introdutório ao uso de SIG na pesquisa biológica. No total, este curso consiste em pouco mais de três horas de vídeos e estima-se que demore até nove horas para ser concluído (incluindo assistir aos vídeos, ler as informações básicas recomendadas e realizar os exercícios práticos). Os vídeos podem ser assinados por US $ 15 para cada exercício individual, enquanto a assinatura do curso completo custará US $ 30 (isto é, além do custo de compra do livro no qual esses exercícios são baseados). Para adquirir uma assinatura, basta clicar no link da página de um dos exercícios (recomendamos que você comece com o exercício um) e clique no primeiro vídeo. Isso abrirá as opções de pagamento que você pode usar para pagar pelos vídeos que deseja acessar.

Cada exercício também é acompanhado por um Extra Opcional seção. Essas seções permitem que você teste suas habilidades GIS recém-adquiridas em uma tarefa nova, mas relacionada. Se você se inscreveu para todo o curso, ao invés de um exercício individual, você também terá a opção de enviar os resultados desses extras opcionais para avaliação, e se todos os extras opcionais para os exercícios foram concluídos com sucesso, você será emitido com um oficial GIS em ecologia certificado de conclusão. Há um custo adicional para esta avaliação e certificação opcional para cobrir os custos de administração associados. Os detalhes desses custos podem ser encontrados na seção de extras opcionais no final de cada exercício individual.

Nosso treinamento é baseado em QGIS, um pacote de software GIS de código aberto. Existem três razões pelas quais usamos QGIS. Em primeiro lugar, está disponível gratuitamente, o que significa que qualquer pessoa pode utilizá-lo, independentemente de ter ou não recursos para pagar licenças comerciais de software. Em segundo lugar, QGIS está se tornando cada vez mais o software GIS padrão entre os usuários biológicos, especialmente em universidades, organizações governamentais e consultorias ambientais menores. Finalmente, QGIS fornece acesso fácil a versões específicas do software. Isso significa que podemos fornecer materiais de curso que não são vulneráveis ​​a atualizações de software. No entanto, nosso treinamento é fornecido de maneira relativamente independente do software. Como resultado, embora forneçamos treinamento usando uma versão específica do QGIS (versão 2.8.3 e # 8211 que pode ser baixada aqui), é fornecido de uma maneira que significa que as habilidades são fáceis de transferir para versões mais recentes deste software. Da mesma forma, você descobrirá que também é fácil transferir as habilidades aprendidas em nosso treinamento para outro software GIS, como ESRI & # 8217s ArcGIS pacote.

Para explorar os exercícios disponíveis, clique no Exercícios GIS opção no menu acima, ou alternativamente se deseja começar a trabalhar com os nossos exercícios, clique em Começando.

Observação: Este site foi projetado principalmente para ser usado por indivíduos. Se você gostaria de saber como você pode comprar assinaturas multiusuário com uma taxa com desconto para que mais de um indivíduo em sua organização possa acessar nossos cursos / exercícios GIS, como parte de sua própria oferta de treinamento, ou para fins de ensino em outro instituição de ensino, visite nossa página de assinaturas multiusuário.


Procedimento¶

Descompacte o arquivo KMRL-Open-Data.zip baixado para uma pasta em seu computador. Você notará que o diretório descompactado contém muitos arquivos de texto. Cada arquivo contém dados para um aspecto diferente do sistema de transporte público. O formato dos arquivos e seus usos são descritos na Referência GTFS. De todos os arquivos, 2 arquivos contêm dados geoespaciais e são do nosso interesse. O arquivo shapes.txt contém pontos que descrevem um caminho físico que o veículo percorre, e o arquivo stops.txt contém a localização de cada parada de transporte público. Ambos são arquivos CSV que podem ser importados para o QGIS. Clique no botão Open Data Source Manager.

Na caixa de diálogo Gerenciador de fonte de dados, alterne para a guia Texto delimitado. Clique no botão… próximo a Nome do arquivo e navegue até o arquivo shapes.txt. Selecione CSV (valores separados por vírgula) como o Formato de arquivo. O campo X e o campo Y devem ser preenchidos automaticamente. Clique em Adicionar.

Da mesma forma, clique no botão… novamente e selecione o arquivo stops.txt. Clique em Adicionar. Clique em Fechar.

Você verá 2 novas camadas de camadas e formas adicionadas ao painel Camadas. Vamos converter a camada de pontos de formas em uma camada de linha que representa o caminho da linha do metrô. Vá para Processing ‣ Toolbox.

Pesquise e localize a ferramenta Criação de vetor ‣ Pontos para o caminho. Clique duas vezes para iniciá-lo.

Selecione formas como a camada de ponto de entrada. De acordo com as especificações GTFS, cada rota individual possui um shape_id exclusivo, então selecione-o como o campo Grupo. Também podemos especificar a ordem dos pontos que formarão a linha, selecionando shape_pt_sequence como o campo Ordem. Clique em Executar.

Uma nova camada Paths será adicionada ao painel Layers. Você pode desativar a visibilidade da camada de formas para ver a camada de linha recém-adicionada.

Agora que adicionamos as estações de metrô e os dados da linha, estamos prontos para iniciar a análise da rede. Na caixa de ferramentas de processamento, pesquise e localize a ferramenta ORS Tools ‣ Isochrones ‣ Isochrones From Layer. Clique duas vezes para iniciá-lo.

Selecione openrouteservice como o provedor. Estaremos calculando um polígono de 15 minutos a pé de cada estação de metrô. Selecione paradas como Camada de Ponto de Entrada. Selecione stop_id como o campo de ID da camada de entrada. No menu suspenso Modo de viagem, selecione caminhada a pé. Como estamos interessados ​​na área baseada no tempo, selecione o tempo como a Dimensão. Por fim, insira 15 minutos como intervalos. Clique em Executar.

Observe que a API Openrouteservice tem um limite de 20 solicitações por minuto para Isochrones. Portanto, se sua camada tiver mais de 20 pontos, você poderá ver erros indicando que o limite da taxa foi excedido. Você pode manter a ferramenta funcionando e ela continuará processando 20 pontos / min.

Quando a ferramenta terminar, você verá uma nova camada Isócrones carregada no painel Camadas. Cada ponto tem um polígono associado que representa a área acessível em 15 minutos a pé. Para ver isso no contexto dos dados que foram usados ​​para gerá-los, podemos adicionar o mapa base do OpenStreetMap. Role para baixo no painel do navegador e localize XYZ Tiles ‣ OpenStreetMap. Arraste-o para a tela.

Uma nova camada OpenStreetMap será adicionada ao painel Camadas. Arraste-o para baixo para alterar a ordem das camadas e mantenha-o na parte inferior da pilha de camadas. Aplique zoom e panorâmica para ver se os resultados correspondem à rede rodoviária. Você verá que os polígonos não são circulares, porque o tempo de viagem é calculado ao longo das estradas, então as regiões que não têm estradas terão menos área coberta.

Para calcular a área de serviço, precisamos completar uma última tarefa. Podemos mesclar polígonos de isócronas individuais para formar um único polígono que representa as áreas acessíveis. Pesquise e localize a geometria vetorial ‣ Dissolver.

Selecione Isócrones como a camada de entrada e clique em Executar.

Assim que o processamento terminar, uma nova camada Dissolvida será adicionada ao painel Camadas. Esses polígonos representam toda a região acessível a partir do sistema de metrô em 15 minutos a pé.

Este é um exemplo simples de como uma análise de área de serviço para um projeto de transporte público pode ser feita no QGIS. Uma análise de área de serviço mais abrangente para o sistema de metrô incluiria outros modos de transporte. Poderíamos incluir ônibus alimentadores, pontos de ônibus próximos e rotas que atendem a esses pontos de ônibus para expandir a análise. Também podemos incluir viagens por outros modos, como carro e táxi.

& copiar Copyright 2019, Ujaval Gandhi.
Última atualização em 18 de junho de 2021.
Criado usando Sphinx 4.0.1.


ESRI ArcGIS online (Instrução WMS)

Se você usar as versões online do ESRI ArcGIS, siga as instruções abaixo para incluir nossa interface WMS para criar seus próprios mapas.

  • Comece abrindo o website ESRI ArcGIS Online e logando.
  • A fim de adicionar o seguro Serviços de meteorologia para sua Assinatura ArcGIS Online ou seu ArcGIS Enterprise Portal, você precisa adicionar a API Meteomatics como um servidor confiável:
    Em sua Assinatura do ArcGIS Online / seu ArcGIS Enterprise Portal, clique em Organizações & rarr Definições & rarr Segurança e abaixo Servidores confiáveis adicione o URL https://api.meteomatics.com à lista de servidores confiáveis.

Clique em Adicionar, onde você seleciona Adicionar Camada da Web no menu suspenso:

Prossiga escolhendo A WMS OGC Web Service e insira nosso URL WMS https://api.meteomatics.com/wms? . Clique em obter camadas, que solicitará que você insira suas credenciais de conta da API Meteomatics,

e selecione a camada desejada (apenas uma por vez é compatível). Depois disso, pressione adicionar camada

e a camada desejada deve ser carregada e renderizada.

Consultando camadas WMS com parâmetros personalizados

Para fazer uso total de nossa interface WMS, digamos, para consultar camadas WMS em horários específicos, você precisará adicionar parâmetros personalizados.
Para demonstrar como isso funciona, vamos repassar as etapas necessárias para consultar uma camada WMS por um TEMPO específico. Os outros parâmetros personalizados podem ser usados ​​analogamente.

Ao adicionar a camada, use Adicionar parâmetros personalizados conforme exibido na imagem a seguir:

Se você já adicionou a camada, pode alterar retroativamente os parâmetros personalizados acessando as opções da camada e alterando as Opções do WMS OGC.

Com o parâmetro TIME, você pode consultar a camada pela data desejada com Adicionar parâmetro e inserir o parâmetro e a hora desejados.

Clique em Obter camadas, selecione a camada de seu interesse e adicione-a com adicionar camada:

Depois disso, você deve ser capaz de ver a camada (neste caso, o ponto de orvalho) com os parâmetros personalizados:


Os dados do OpenStreetMap estão disponíveis para 14 países das ilhas do Pacífico, em um formato compatível com GIS. Os dados OSM foram divididos em camadas com base em temas (edifícios, estradas, pontos de interesse, etc.) e vêm junto com um projeto QGIS para ajudá-lo a começar a usar os dados. Para obter mais detalhes, clique acima ou pesquise o conjunto de dados OSM em seu Portal de Dados Ambientais nacional.


Aprendizado de máquina em GIS: análise de imagem de cobertura do solo, uso do solo

Este curso é projetado para levar os usuários que usam QGIS para dados geoespaciais básicos / GIS / análise de sensoriamento remoto a realizar mais tarefas avançadas de análise geoespacial incluindo análise de imagem baseada em objeto usando uma variedade de dados diferentes e aplicando algoritmos de última geração em Aprendizado de Máquina. Além de torná-lo proficiente em QGIS para análise de dados espaciais, você será apresentado a outra caixa de ferramentas de processamento poderosa - a Caixa de Ferramentas Orfeo e aos recursos empolgantes do Google Earth Engine!

Estou muito animado por você ter encontrado meu curso avançado LULC. Este curso foi elaborado para equipá-lo com o conhecimento prático de avançado Mapeamento de Uso e Cobertura do Solo (LULC), que é uma das competências essenciais para qualquer analista de Sistemas de Informação Geográfica (SIG) e Sensoriamento Remoto. Ao final do curso, você se sentirá confiante e compreenderá completamente e aplicará a análise geoespacial avançada, incluindo desempenho Algoritmos de aprendizado de máquina para uso da terra e mapeamento da cobertura da terra e análise de imagens baseadas em objetos de aprendizagem e noções básicas de segmentação. Tudo isso você poderá realizar com base nos dados reais em um dos softwares GIS mais populares que é QGIS e Google Earth Engine.

Este curso é diferente de outros recursos de treinamento. Cada palestra visa aprimorar suas habilidades em GIS e Sensoriamento Remoto de uma maneira demonstrável e fácil de seguir e fornecer a você soluções implementáveis ​​de forma prática. Você poderá começar a analisar dados espaciais para seus próprios projetos e obter a apreciação de seus futuros empregadores com suas habilidades avançadas de GIS e conhecimento das técnicas LULC de ponta.

No curso, você aprenderá a realizar todos os estágios do mapeamento LULC, desde a aquisição de dados de satélite até a avaliação da precisão de seu mapa e projetar um belo mapa de alterações prontamente disponível para ser inserido em seu documento ou relatório.

O curso é ideal para profissionais como geógrafos, programadores, cientistas sociais, geólogos e todos os outros especialistas que precisam usar mapas LULC em seu campo e gostariam de aprender os fundamentos do LULC e detecção de alterações em GIS. Se você está planejando realizar uma tarefa que requer o uso de algoritmos de classificação de última geração para criar, por exemplo, mapas de cobertura e uso da terra, este curso lhe dará a confiança necessária para entender e resolver esse problema geoespacial.

Uma parte importante do curso são os exercícios práticos. Você receberá algumas instruções, códigos e conjuntos de dados precisos para criar mapas LULC e alterar mapas usando o software QGIS e o Google Earth Engine.

Neste curso, incluo materiais práticos para download que irão ensinar a você:

- Como instalar o software GIS de código aberto (caixa de ferramentas QGIS e Orfeo) em seu computador e configurá-lo corretamente

- Interface do software QGIS, incluindo seus principais componentes e plug-ins

- Aprenda como classificar imagens de satélite com diferentes algoritmos de aprendizado de máquina no QGIS

- Aprenda a realizar o treinamento, coleta de dados de validação e avaliação de precisão

- Aprenda a realizar análises de imagens baseadas em objetos

- Aprenda como realizar o mapeamento de tipo de cultura baseado em objeto no QGIS

- Aprenda a executar algoritmos de aprendizado de máquina supervisionados e não supervisionados no Google Earth Engine

INCLUÍDO NO CURSO: Você terá acesso a todos os dados usados ​​no curso, junto com os arquivos de código Java. Você também terá acesso a recursos futuros. Inscreva-se no curso hoje e aproveite esses materiais especiais!


Tipos de Produto

Análises NAM

Modelo Grade / Escala Período de Registro Ciclo de Modelo Timestep de saída Links de acesso a dados
NAM-ANL 218 (12km) - Domínio 18May2020 & ndashPresent online, desde 03Mar2004 em arquivo 4 / dia: 00, 06, 12, 18UTC +00, (+03, +06 campos de precipitação) HTTPS TDS AIRS
NAM-ANL, histórico 218 (12km) - Domínio 03Mar2004 e ndash15May2020 online 4 / dia: 00, 06, 12, 18UTC +00, (+03, +06 campos de precipitação) HTTPS TDS AIRS

Previsões NAM

Modelo Grade / Escala Período de Registro Ciclo de Modelo Timestep de saída Links de acesso a dados
NAM-NMM 218 (12km) - Domínio 31May2020 & ndashPresent online, desde 20Jun2006 em arquivo 4 / dia: 00, 06, 12, 18UTC 3 horas, +00 a +84 horas HTTPS TDS AIRS
NAM-NMM, histórico 218 (12km) - Domínio 20Jun2019 e ndash15May2020 online 4 / dia: 00, 06, 12, 18UTC 3 horas, +00 a +84 horas HTTPS TDS AIRS
Meso-ETA 218 (12km) - Domínio 15 de fevereiro de 2005 e ndash19 de junho de 2006 4 / dia: 00, 06, 12, 18UTC 3 horas, +00 a +84 horas AIRS
Meso-ETA 218 (12km) - Domínio 01Mar2004 e ndash23Mar2005 4 / dia: 00, 06, 12, 18UTC 3 horas, +00 a +84 horas AIRS
Meso-ETA 215 (20km) - Domínio 02 de junho de 2003 e ndash25 de maio de 2005 4 / dia: 00, 06, 12, 18UTC 3 horas, +00 a +60 horas HTTPS
Meso-ETA 212 (40km) - Domínio 02 de junho de 2003 e ndash25 de maio de 2005 4 / dia: 00, 06, 12, 18UTC 3 horas, +00 a +60 horas HTTPS
Meso-ETA 211 (81km) - Domínio 02 de junho de 2003 e ndash25 de maio de 2005 2 / dia: 00, 12UTC 6 horas, +00 a +60 horas HTTPS
Early-ETA 212 (40km) - Domínio 02 de junho de 2003 e ndash25 de maio de 2005 2 / dia: 00, 12UTC 3 horas, +00 a +60 horas HTTPS

Fazendo o mapa Wi-Fi aberto

Como a maioria dos meus projetos, este começou com uma pergunta: quanto da minha cidade foi coberto por sinais Wi-Fi abertos e quão fortes são esses sinais.

O que eu queria criar era algo próximo a um mapa de cobertura de sinal de telefone, mas para Wi-Fi aberto.

  • Colete dados
  • Filtre esses dados
  • Visualize os dados usando alguma forma de mapa
  • Torne-o interativo

O primeiro passo

Para responder à minha própria pergunta, eu precisava coletar dados, espero que sem arrastar um laptop ou outro hardware pesado.

Eu fiz wardriving no passado, usando um laptop rodando Linux e um adaptador USB sem fio, no entanto, isso parecia um exagero e provavelmente começaria a chamar muita atenção.

Depois de alguns testes rápidos, escolhi reunir meus dados usando um telefone Android sobressalente que mantenho por perto para fazer alguns ajustes. Eu projetei o aplicativo Android para ser mínimo, tanto na interface do usuário quanto no código por trás dele.

A aplicação

Na superfície, o aplicativo tem dois botões & quotFechar scanner WiFi & quot e & quotUpload data & quot. Nos bastidores, é apenas um pouco mais legal. Ao abrir o aplicativo, ele inicia um serviço de segundo plano que se conecta aos serviços de localização do telefone - isso cobre métodos de localização de rede e GPS - e ouve atualizações ou movimentos. Depois de testar diferentes configurações de movimento, decidi usar um mínimo de 10 metros ou 5 segundos desde a última atualização.

Ao 'ouvir' uma mudança de local, o serviço de segundo plano aciona uma varredura de Wi-Fi, que retorna a parte mais importante, os nomes e a intensidade do sinal. Em seguida, ele armazena os seguintes dados para filtragem posterior

  • BSSID - endereço MAC do ponto de acesso, usado para fins de identificação única
  • SSID - nome do ponto de acesso
  • RSSI - Força do sinal do ponto de acesso
  • Segurança - métodos de criptografia de ponto de acesso, para filtrar conexões abertas

Tudo isso é executado em segundo plano até que o botão & quotUpload data & quot seja pressionado. Uma vez pressionado, ele compacta as informações coletadas e as carrega para um dos meus servidores, que verifica a integridade das informações e, em seguida, armazena e filtra as informações brutas em um banco de dados SpatiaLite pronto para o QGIS interpretar.

NB: Eu não comecei com QGIS, meu primeiro teste usou Google Maps e heatmap.js para criar uma sobreposição do mapa de intensidade do sinal, mas rapidamente me deparei com problemas como pontos de desaparecimento, erros de escala do mapa de calor e mapas lentos com muitos pontos.

Sistema de Informação Geográfica Quântica (QGIS)

Sistemas de Informação Geográfica ou GIS é algo que eu Nunca usei antes, então foi aqui que eu me diverti mais, onde comecei a gritar incoerentemente, onde fiz a maior parte do meu aprendizado e finalmente consegui o resultado que queria desde o início.

Felizmente para mim, o QGIS pode ler arquivos SpatiaLite, então importar a primeira rodada de dados foi tão simples quanto abrir o arquivo e selecionar o CRS correto (WGS 84 para este projeto, GDA94 não funcionou bem com outras camadas) e observar os pontos serem preenchidos a tela.

A essa altura, eu já tinha dado o aplicativo Android para alguns amigos incríveis que me ajudaram a reunir dados e estava acumulando o suficiente para iniciar o processo de visualização.

A primeira importação foi bastante impressionante, mas os pontos de dados de uma única cor parecem muito enfadonhos, então, optei por um estilo de cor graduado usando a força do sinal como índice.

Com os dados sendo plotados com precisão, meu próximo objetivo foi criar um mapa hexbin.

A criação de um mapa hexbin dentro do QGIS requer apenas 1 plugin MMQGIS.

O MMQGIS permite que você crie uma camada de polígono de grade de qualquer tamanho sobre uma área selecionada, quanto maior a área e menores os hexágonos, mais tempo leva para gerar uma camada de polígono.

Depois que a camada hexagonal foi desenhada, usei um método & quotPoints in Polygon & quot e tive sucesso, mas a quantidade de pontos em um polígono não é indicativa da força do sinal Wi-Fi.

Uma solução sugerida foi usar & quotZonal Statistics & quot. Isso não funcionou da maneira que deveria. o maldito mapa que ele fez estava de cabeça para baixo!

Pouco antes de desistir dos hexbins e me contentar com um mapa de calor genérico, me deparei com & quotJuntar atributos por localização & quot.

Isso parecia promissor. Usando a camada de ponto com a camada vetorial de polígono, peguei um resumo da média e da mediana dos atributos de interseção, descartando todos os polígonos vazios e os armazenei em uma nova camada.

Aplicar o mesmo estilo de cor graduado de antes criei o mapa que eu queria. Eu estava quase terminando.

Criação de blocos

Os mapas QGIS não são particularmente portáteis; para ler camadas .shp, programas dedicados devem ser instalados. Esses programas têm centenas de megabytes de tamanho e, embora não seja uma preocupação para alguns, baixar aplicativos grandes apenas para visualizar um mapa não vale a pena. Portanto, procurei outros métodos de compartilhar meu mapa.

Leaflet, uma biblioteca JavaScript moderna de código aberto para mapas interativos compatíveis com dispositivos móveis, permitiria que eu criasse meu mapa interativo usando camadas de blocos personalizadas.

Existem muitos métodos de criação de camadas de blocos. QGIS Server, TileCache e MAPNIK permitem que os usuários criem e gerenciem seus próprios mapas, o Mapbox até lida com arquivos .shp e torna um mapa inteiro pronto para ser exibido com muito pouco esforço, mas eu queria fazer isso e hospedá-lo sozinho.

Usando outro plugin (QTiles desta vez), consegui criar meus próprios tiles.

QTiles oferece alguma personalização com os tiles que produz, PNG ou JPG, opaco ou transparente e z-levels.

Tudo funcionou bem fora da transparência por um motivo desconhecido, então tive que resolver com ladrilhos que tinham um fundo branco onde não havia hexágonos.

Corrigi isso usando ImageMagick para converter todos os pixels brancos em transparentes usando o seguinte script:

Ele também excluiu arquivos completamente em branco, economizando muito espaço no disco rígido.

Com blocos criados e otimizados e opções de camada de folheto configuradas, o mapa estava completo, pronto para ser compartilhado publicamente.


O Mapathon Keralam está sendo implementado pela Missão de TI do Estado de Kerala, que utilizou tecnologias avançadas para enfrentar com eficácia as enchentes no estado. O Mapathon Keralam, implementado com o conceito de 'Let Us Make Our Map', pretende implementar os benefícios da e-Governance com participação pública.

Por meio do Mapathon Keralam, o governo de Kerala visa criar mapas locais extensos de Kerala, incluindo recursos naturais de infraestrutura física e outras informações úteis para o planejamento e outros desenvolvimentos. O mapa online gratuito, Open Street Map, é usado para este evento de mapeamento como parte da política do governo de Kerala para fortalecer as atividades focadas no conhecimento livre e no software livre e de código aberto. O projeto está sendo liderado pela Infraestrutura de Dados Espaciais do Estado de Kerala (KSDI) sob a Missão de TI do Estado de Kerala e apoiado por outras instituições, como o Centro Internacional de Software Livre e de Código Aberto (ICFOSS) e o Esquema de Serviço Nacional (NSS). Como um programa de pré-campanha, um mapeamento de crowdsourcing de escritórios do governo no estado foi lançado, chamado Map My Office, com a participação de funcionários do governo.

A primeira campanha do Mapathon Keralam está sendo lançada hoje com a parceria do National Service Scheme (NSS). Os alunos do NSS assumirão a liderança na organização de sessões de mapeamento local em várias faculdades e desenvolverão voluntários qualificados que podem realizar atividades de mapeamento. O corpo docente selecionado de quase 80 faculdades passou pelo programa de treinamento master e treinamento de faculdades. Espera-se que mais organizações, comunidades e indivíduos assumam esta campanha e mantenham programas de seus próprios mapas locais de desenvolvimento.

Você pode mapear toda a sua localidade e suas informações minuciosas e detalhadas usando esta plataforma. Os mapas devem ser criados online com a participação do público. Qualquer pessoa com um computador / telefone celular e uma conexão à Internet pode participar do Mapathon Keralam. Estudantes, ONGs, organizações governamentais, não governamentais, organizações trabalhistas e funcionários do setor privado podem participar neste esforço. Com esse tipo de mapeamento, os locais podem conhecer e marcar todas as características de sua localidade. Quando uma pessoa marca sua área conhecida, essa informação será altamente precisa. Esses mapas estão sendo construídos em todo o mundo com a participação da população local. Este mapeamento também será útil na reconstrução pós-diluviana de Kerala