Mais

Você está usando o ESRI World Imagery (para exportação)?


Gostaria de fazer o download de algumas imagens do mundo da ESRI usando isso, no entanto, quando tento adicionar a camada a um mapa online, obtenho "A camada, Imagens do mundo (para exportação), não pode ser adicionada ao mapa". Tentei adicioná-lo manualmente diretamente ao mapa, mas isso também não funciona. Eu sei que perguntas sobre o download de imagens do mundo da ESRI já foram feitas, mas não vi nenhuma pergunta sobre o uso da camada de imagens do mundo da ESRI (para exportação). Não consigo encontrar uma maneira de usar este serviço. Alguém está familiarizado com esse processo?

Em termos mais simples, como posso exportar o ESRI World Imagery usando seu World Imagery (para exportação)?


Pelo que li, esse serviço suporta exportação para uso offline em mosaico.

Citando os metadados do serviço de mapa:

Este serviço de mapa é projetado para suportar a exportação de pequenos volumes de blocos de mapa base para uso offline, de acordo com as restrições de acesso e uso abaixo. Este serviço de mapa não se destina a ser usado para acessar blocos de mapa ao vivo para uso em um mapa da web ou aplicativo de mapeamento da web.

e

Este serviço de mapa não se destina a ser usado para exibir blocos de mapa ao vivo para uso em um mapa da web ou aplicativo de mapeamento da web. Para acessar os blocos do mapa ao vivo, use o serviço de mapa de base do World Imagery.

Se quiser que um serviço seja adicionado a um mapa, você precisará usar um projetado (e licenciado) para esse propósito.


Você deve chamar o método export map na API JavaScript ou pode usar Python ou outra linguagem para fazer uma solicitação HTTP. Consulte os documentos de ajuda da API REST para obter informações sobre parâmetros. Isso seria para acesso online.

Não tenho certeza de como fazer isso funcionar para acesso off-line, mas se você precisar disso, estou assumindo que precisará baixar os blocos localmente e, em seguida, poderá fazer o python para consultar as extensões dos blocos para encontrar o que se sobrepõe ao seu AOI e exportar esses blocos. Como foi projetado para uso off-line, provavelmente na ajuda diz como fazer isso.


Modelagem de destino químico baseada em GIS: princípios e aplicações

Na última década, os pesquisadores descobriram que os sistemas de informações geográficas (SIG) não são apenas ferramentas excelentes para gerenciar e exibir mapas, mas também úteis na análise do destino e transporte de substâncias químicas no meio ambiente. Entre seus muitos benefícios, o GIS facilita a identificação de fatores críticos que impulsionam o destino e o transporte dos produtos químicos. Além disso, o GIS torna mais fácil comunicar e explicar as principais premissas do modelo.

Com base na experiência em primeira mão do autor em avaliação ambiental, Modelagem Química de Destino baseada em GIS explora os fundamentos da modelagem de transporte e destino químico e GIS, criando uma interface entre os dois domínios. Em seguida, explica como as funções analíticas GIS permitem aos cientistas desenvolver modelos de transporte e destino químico espacialmente explícitos simples, mas abrangentes, que oferecem suporte a aplicações do mundo real. Além disso, o livro apresenta:

  • Exemplos práticos de cálculos de modelo baseados em GIS que servem como modelos para o desenvolvimento de novos aplicativos
  • Exercícios que permitem aos leitores criar seus próprios modelos baseados em GIS
  • Site de acompanhamento com conjuntos de dados para download usados ​​nos exemplos e exercícios do livro
  • Referências à literatura, sites, repositórios de dados e relatórios online para facilitar pesquisas futuras
  • Cobertura de tópicos importantes, como sistemas de apoio à decisão espacial e análise multicritério, bem como avaliação de risco ecológico e à saúde humana em um contexto espacial

Modelagem Química de Destino baseada em GIS faz uma contribuição única para as ciências ambientais, explicando como as funções analíticas GIS aprimoram o desenvolvimento e a interpretação de modelos de transporte e destino químico. Cientistas ambientais devem consultar este livro para obter uma compreensão mais profunda do papel do GIS na descrição do que acontece aos produtos químicos quando são liberados no meio ambiente.


Você está usando o ESRI World Imagery (para exportação)? - Sistemas de Informação Geográfica

inteligência artificial: o estudo e projeto de máquinas ou métodos computacionais que podem realizar tarefas que normalmente requerem inteligência humana

GeoAI: um campo interdisciplinar da geografia e inteligência artificial

aprendizado de máquina: um subcampo em IA que depende de métodos estatísticos ou técnicas de otimização numérica para derivar modelos de dados sem programar explicitamente cada parâmetro do modelo ou etapa de computação

aprendizado profundo: um tipo especial de aprendizado de máquina que aproveita várias camadas de unidades de processamento não linear, ou neurônios, para aprender representações de dados brutos para atingir o objetivo de aprendizado automático para completar várias tarefas de IA

A Inteligência Artificial (IA) tem recebido muita atenção nos últimos anos da academia, da indústria e do público em geral. Apesar de sua popularidade recente, o campo nasceu em 1956 em um workshop no Dartmouth College (McCarthy, 1956). AI é um campo amplo desde o seu início e tem muitas definições diferentes (Russell et al., 2003). Algumas definições se concentram no projeto de máquinas inteligentes que podem agir como humanos. Por exemplo, o famoso Teste de Turing foi projetado para ver se as respostas de uma máquina podem ser indistinguíveis das de uma pessoa real (Turing, 1950). Algumas outras definições se concentram em projetar e desenvolver métodos computacionais para concluir tarefas que normalmente requerem inteligência humana, como reconhecer objetos de imagens ou compreender o significado de frases em linguagem natural. Esta entrada é baseada principalmente no segundo tipo de definições.

O desenvolvimento da IA ​​experimentou quedas e subidas. Seguindo seu otimismo inicial nos anos 1960 e 70, a pesquisa de IA passou pelo “inverno da IA” devido às falhas dos métodos de IA em lidar com problemas do mundo real. As décadas seguintes testemunharam várias outras ondas de otimismo e decepção. Desde o século 21, e especialmente após 2010, houve um progresso significativo na pesquisa de IA. Três fatores principais contribuíram para esse rápido avanço da IA: big data, novos algoritmos e imenso poder computacional. O surgimento de sensores onipresentes e conteúdo gerado pelo usuário na Web permite que grandes quantidades de dados sejam gerados e coletados em um ritmo rápido. O big data permite que os computadores “observem” muitos aspectos diferentes do mundo, aprendam as maneiras como o mundo funciona e prevejam o futuro com base nas observações existentes. Enquanto isso, novos algoritmos e modelos foram desenvolvidos, e a comunidade de IA adotou várias ideias e teorias de outros campos, como estatística, economia, biologia e ciências cognitivas, além de sua tradição de lógica. Terceiro, a computação de alto desempenho (HPC) fornece o poder essencial para vincular big data e novos modelos computacionais e permite que o treinamento de modelos sofisticados em grandes conjuntos de dados seja concluído em horas ou dias, em vez de semanas ou meses. Esses três fatores principais, ou seja, big data, novos algoritmos e imenso poder computacional, alimentaram muito o notável desenvolvimento da IA ​​nos últimos anos.

Neste contexto, provavelmente não é surpreendente ver a integração de IA e geografia, particularmente GIScience e GI Systems (GIS). Hoje em dia, um grande volume de dados contém informações georreferenciadas, ou seja, informações sobre localizações na superfície da Terra ou próximas a ela. Os exemplos incluem trajetórias de GPS, imagens de sensoriamento remoto, mídia social baseada em localização, pegadas espaciais de edifícios, estradas e parcelas, dados de elevação global, uso do solo e dados de cobertura do solo, distribuição da população e assim por diante. Esses dados georreferenciados são entradas críticas para muitos modelos que abordam uma ampla gama de problemas relacionados à nossa sociedade humana e ao ambiente natural, e o GIS é essencial para o processamento, gerenciamento e visualização eficazes desses grandes dados geográficos. Além disso, muitos modelos de IA precisam sintetizar dados heterogêneos de fontes diferentes, enquanto a localização geográfica costuma ser o único fator que pode vincular esses conjuntos de dados heterogêneos. Finalmente, pesquisas existentes já demonstraram integrações bem-sucedidas entre GIS e HPC (Wang, 2010), e sistemas integrados de GIS e IA também têm a capacidade de alavancar alto poder computacional.

Muitos esforços já foram dedicados pela academia e pela indústria para facilitar a integração da geografia e IA, e o resultado é uma área nova e interdisciplinar interessante - GeoAI. Na academia, o primeiro workshop GeoAI foi realizado em novembro de 2017 em uma grande conferência GIS, ACM SIGSPATIAL, que atraiu mais de 100 participantes (Mao et al., 2018a). Em abril de 2018, o primeiro Simpósio de IA e Aprendizado Profundo foi realizado na maior conferência de geografia, Reunião Anual da Associação Americana de Geógrafos (AAG). Na indústria, uma das principais empresas de GIS, a Esri Inc., tem colaborado com a Microsoft para oferecer a GeoAI Data Science Virtual Machine (DSVM) com o objetivo de reunir IA, computação em nuvem, análise geoespacial e geovisualizações. Vale ressaltar também que já existem estudos relatados na literatura que potencializam o aprendizado de máquina para solução de problemas geográficos antes do workshop GeoAI, e muitos dos quais, como a análise de imagens hiperespectrais (Chen et al., 2014), em alta resolução interpretação de imagens de satélite (Zhang et al., 2015) e reconstrução 3D (Blaha et al., 2016), são da comunidade de sensoriamento remoto (Tuia et al., 2009 Zhu et al., 2017). Dado esse interesse contínuo, é provável que haja mais interações entre geografia e IA em um futuro próximo. Esta entrada tem como objetivo fornecer aos leitores interessados, especialmente aos alunos que se tornarão futuros líderes de SIG, algumas informações sobre GeoAI. Este campo está se desenvolvendo rapidamente e esta entrada, concluída entre meados de 2018 e o início de 2019, reflete o progresso até agora. É provável que novos avanços aconteçam nos próximos anos.

A IA, como um campo amplo, abrange muitas abordagens diferentes, desde a representação de conhecimento de cima para baixo até o aprendizado de máquina de baixo para cima. Existem três conceitos relacionados que têm sido usados ​​com frequência nos últimos anos: IA, aprendizado de máquina e aprendizado profundo. Em geral, IA é o conceito mais amplo, o aprendizado de máquina é um subcampo da IA ​​e o aprendizado profundo é um tipo especial de aprendizado de máquina. A Figura 1 ilustra as relações entre esses três conceitos. Embora o amplo campo da IA ​​inclua muitas abordagens, sua recente popularidade se deve em grande parte ao excelente desempenho do aprendizado de máquina, especialmente o aprendizado profundo. Portanto, esta entrada se concentra na discussão desses dois tipos de abordagens de IA.

Figura 1. Relações entre IA, aprendizado de máquina e aprendizado profundo (Bennett 2018).

3.1 Aprendizado de máquina

O aprendizado de máquina é um subcampo da IA ​​(consulte a Figura 1) que geralmente depende de métodos estatísticos ou técnicas de otimização numérica para derivar modelos de dados sem programar explicitamente cada parâmetro do modelo ou etapa de computação (Valiant, 1984). Uma característica importante compartilhada por muitos modelos de aprendizado de máquina é o uso da probabilidade para representar a incerteza que existe amplamente em problemas do mundo real. Existem três tipos principais de aprendizagem: aprendizagem supervisionada, aprendizagem não supervisionada e aprendizagem por reforço. O aprendizado supervisionado requer dados rotulados para treinar um modelo computacional, enquanto o aprendizado não supervisionado examina os dados não rotulados para descobrir padrões. A aprendizagem por reforço não requer dados rotulados, mas precisa de feedbacks baseados em ações, como recompensas ou punições, para ajudar um modelo computacional a aprender. As tarefas de aprendizado de máquina podem ser categorizadas de várias maneiras. Com base em seus objetivos, podemos identificar tarefas como classificação, agrupamento e previsão (Bennett, 2018). Na classificação, o objetivo é classificar um alvo em uma categoria, por exemplo, classificar uma parcela de terra em uma categoria como Comercial ou Agrícola. No clustering, o objetivo é detectar clusters de dados, por exemplo, encontrar os clusters de veículos com base em suas localizações para detectar congestionamentos de tráfego. Na previsão, o objetivo é prever valores desconhecidos, por exemplo, prever as temperaturas médias de vários locais no futuro próximo com base em suas temperaturas históricas e outras variáveis ​​usando um modelo de regressão. Existem também outras tarefas que podem se enquadrar no aprendizado de máquina, como detecção de anomalias / novidades, geração de dados, visualização, aprendizado de recursos e outros. Uma variedade de modelos de aprendizado de máquina foram desenvolvidos, como regressão, árvore de decisão, floresta aleatória, máquina de vetor de suporte (SVM), classificador Bayesiano ingênuo, clusterização baseada em densidade, modelo de Markov oculto (HMM), rede neural artificial (ANN), e muitos outros. Esses métodos são discutidos detalhadamente em livros didáticos de aprendizado de máquina, como Flach (2012). Embora a maioria dos métodos de aprendizado de máquina possa ser aplicada diretamente a dados geográficos, eles normalmente não levam em consideração a singularidade dos fenômenos geográficos, como autocorrelação espacial e não estacionariedade espacial. Existem alguns métodos, como a regressão da Krigagem Bayesiana Empírica (EBK) (Krivoruchko, 2012) e a Análise do Componente Principal Espacial (sPCA) (Jombart et al., 2008), que modelam explicitamente o aspecto espacial dos problemas geográficos, por exemplo, incluindo pesos espaciais. Alguns modelos espaciais clássicos, como a regressão geograficamente ponderada (GWR) (Fotheringham et al., 2003), também podem ser usados ​​em uma maneira de aprendizado de máquina, ou seja, eles podem ser primeiramente treinados em um conjunto de dados e depois testados em outros conjuntos de dados.

3.2 Aprendizagem profunda

O aprendizado profundo é um tipo especial de aprendizado de máquina que se concentra no desenvolvimento e no uso de redes neurais profundas (DNN) para tarefas de aprendizado de máquina. DNN é um tipo especial de rede neural artificial que possui várias camadas (também chamadas de camadas ocultas) entre as camadas de entrada e saída. Cada camada consiste em uma coleção de unidades de computação, chamadas neurônios, que pegam a entrada da camada anterior e geram uma saída não linear para a próxima camada. O aprendizado profundo ganhou um grande interesse nos últimos anos devido ao seu excelente desempenho (LeCun et al., 2015), graças à disponibilidade de grandes conjuntos de dados rotulados, como ImageNet (Deng et al., 2009) e HPC. Semelhante a outros modelos de aprendizado de máquina, o aprendizado profundo pode ser utilizado para concluir tarefas de classificação, armazenamento em cluster, predição e assim por diante. Particularmente, dois tipos de DNN, rede neural convolucional (CNN) e rede neural recorrente (RNN), têm recebido muita atenção da comunidade geográfica. O CNN é especialmente adequado para processar imagens extraindo e representando recursos abstratos por meio de uma cascata de camadas de neurônios e usando filtros convolucionais (Li et al., 2017a Maggiori et al., 2017 Gong et al., 2018). O RNN é adequado para processar dados de sequência, como trajetórias de movimento (que podem ser modeladas como uma sequência de locais) (Kulkarni & amp Garbinato, 2017), memorizando alguns dos estados anteriores e estabelecendo ligações entre os estados atual e anterior. Embora muitos estudos tenham aplicado modelos existentes a problemas geográficos, os pesquisadores também desenvolveram novos modelos DNN especificamente para lidar com dados geográficos. Marcos et al. (2018) propôs a Rede de Campo Vetorial Equivariante de Rotação (RotEqNet) para mapeamento da cobertura da terra com base em imagens de sensoriamento remoto. O RotEqNet codifica a equivariância de rotação em um CNN e pode reconhecer as versões giradas do mesmo objeto de imagens de sensoriamento remoto enquanto reduz o número de parâmetros exigidos por um CNN tradicional. Srivastava et al. (2018) propôs um modelo de Rede Neural Convolucional Siamês de Entrada Variável (VIS-CNN) para classificar tipos de uso do solo em nível de objeto urbano. Seu modelo VIS-CNN pode aceitar um número variável de imagens do Google Street View para um objeto urbano e agregá-las para aprender o tipo de uso do solo de uma maneira completa.

Existe um número considerável de aplicações de IA no domínio da geografia. Esta seção resume alguns desses aplicativos.

4.1 Reconhecimento automático de características naturais do terreno a partir de imagens de sensoriamento remoto

As características naturais do terreno, como crateras, vulcões e dunas de areia, são indicadores importantes do processo geológico da Terra. Detectar onde estão e extrair suas propriedades geomorfológicas são de grande importância para geógrafos e geólogos na compreensão do processo de formação de diferentes feições do terreno, diferenciando paisagens semelhantes, bem como enriquecendo nosso conhecimento geoespacial. Embora esta tarefa tenha sido feita anteriormente principalmente usando a Análise de Imagem Baseada em Objeto (OBIA), dificilmente pode alcançar a automação das etapas de processamento. Parâmetros, como fator de escala e a fusão de super pixels segmentados (um agrupamento de pixels com valores semelhantes), geralmente são feitos manualmente ou semiautomática. Com a proliferação de big data espaciais, como imagens massivas de sensoriamento remoto, bem como a rápida evolução das técnicas de aprendizado profundo, torna-se possível implementar um processo de aprendizado automático para detectar e caracterizar diferentes características do terreno.

Li et al. (2017b) estendeu um modelo Faster-RCNN (Faster Region-based CNN) para oferecer suporte à detecção automática de recursos naturais do terreno a partir de imagens de sensoriamento remoto. Diferente das tarefas de classificação usando CNN, a detecção de objetos não precisa apenas informar o que está dentro de uma imagem, mas também a localização do objeto, representado por uma caixa delimitadora (BBOX). Isso também requer rótulos de local adicionais nos dados de treinamento. Vários desafios foram enfrentados na aplicação de aprendizagem profunda a tais problemas espaciais. Isso inclui a falta de banco de dados de treinamento, o limite ambíguo de recursos naturais em comparação com recursos feitos pelo homem, como edifícios ou campos de golfe, e a similaridade entre categorias de recursos diferentes. Por exemplo, geralmente há um tipo de cratera no topo de um vulcão, chamada “cratera vulcânica”, que se parece com crateras de impacto. Fazer tais distinções pode exigir que a rede de aprendizagem profunda aprenda características que são exclusivas para cada (sub) categoria, como a emissão de cinzas de vulcão ativo e terreno mais plano em que uma cratera de impacto geralmente aparece. Com base em um banco de dados de teste de mais de 10.000 imagens, a rede de aprendizagem profunda atinge mais de 90% da precisão média média (mAP) para a tarefa de detectar oito categorias de terreno (Li & amp Hsu, 2018). As informações derivadas, tanto de categoria quanto BBOX, podem complementar as informações espaciais limitadas que são apenas um ponto para representar características de qualquer extensão em dicionários geográficos conhecidos, como o USGS (United States Geological Survey) GNIS (Sistema de Informação de Nome Geográfico), fornecendo, portanto, melhor suporte para alocação de recursos e interpretação da paisagem. A Figura 2 demonstra os resultados da detecção para colina, cratera de impacto, meandro e vulcão.

Figura 2. Uma ilustração dos resultados da detecção de características do terreno da colina (a), cratera de impacto (b), meandro (c) e vulcão (d) a partir de imagens de sensoriamento remoto.

4.2 Classificação da cobertura do solo para conservação

Outro excelente exemplo de aplicação de IA em geografia é o trabalho da Chesapeake Conservancy, uma organização sem fins lucrativos com sede em Annapolis, MD, e pioneira no campo da conservação de precisão para monitorar, proteger e restaurar o ambiente natural. Seu “campo missionário” cobre toda a bacia hidrográfica da Baía de Chesapeake, abriga mais de 3.600 espécies de plantas e animais e abriga 17 milhões de pessoas. Apesar da importância da bacia hidrográfica da Baía de Chesapeake, sua saúde ao longo de décadas foi prejudicada por transbordamentos de esgoto e escoamento de dejetos animais e produtos químicos. O futuro da bacia hidrográfica depende de uma conservação inteligente, informada por dados sobre onde o crescimento é menos prejudicial e onde as intervenções podem ser mais úteis. Isso requer mapas de cobertura da terra detalhados e altamente precisos para entender como a terra é usada e para identificar questões ambientais, como poluentes que entram na baía através do escoamento agrícola. Embora as imagens do Landsat ofereçam uma resolução padrão de 30 metros, elas não são suficientes para alcançar a compreensão total de todos os cenários possíveis de uso da terra no século 21 e interrupções da natureza associadas. Os dados de cobertura do solo com resolução de 1 m ainda não estão disponíveis em todos os Estados Unidos e muitas vezes são difíceis e caros de obter, muito menos de processar e interpretar, especialmente para comunidades menos ricas, organizações sem fins lucrativos menores e semelhantes. Uma motivação motriz da Chesapeake Conservancy é capacitar gestores de recursos naturais e conservacionistas com acesso a esse recurso de dados de alta resolução.

Para atingir esse objetivo, a Chesapeake Conservancy adotou uma abordagem de aprendizado profundo para criar um modelo de segmentação semântica (classificação em nível de pixel) que prevê a cobertura do solo em alta resolução a partir de imagens aéreas (Allenby et al., 2018). As imagens foram obtidas do National Agriculture Imagery Program (NAIP), com resolução de 1 m ou 60 cm. A Figura 3 ilustra essa abordagem com base em uma localização dentro da bacia hidrográfica de Chesapeake. No canto superior esquerdo está a imagem NAIP do Esri Living Atlas of the World (Kensok, 2017), no canto superior direito está o mapa original de cobertura da terra de Chesapeake e, imediatamente abaixo, no canto inferior direito está o mapa produzido por um profundo residual neural rede executada nessa imagem NAIP, em tempo real, classificando florestas, campos, água e superfícies impermeáveis ​​como estradas e casas no canto inferior esquerdo é a mesma região, exceto que é uma mistura de probabilidades do modelo, em todas essas categorias, atualmente com 91% de precisão em comparação com as observações do solo. Isso foi extremamente útil, pois comunica a incerteza nas detecções e permite ver como o algoritmo estava “pensando” e o que era necessário para melhorá-lo. O verdadeiro poder dessa abordagem é que os cientistas de dados podem usar esse mesmo algoritmo para classificar a cobertura da terra em lugares que nunca viu antes. O sistema pode classificar a uma taxa significativamente mais rápida do que os métodos manuais, limitada apenas pelo hardware disponível. O tempo necessário para classificar corretamente toda a bacia hidrográfica da Baía de Chesapeake foi reduzido de 2.500 horas para 150. O objetivo é fazer com que essa abordagem de IA seja dimensionada em todas as outras bacias hidrográficas dos EUA e capacitar mais organizações em mais lugares para gerenciar de forma sustentável seus terras.

Figura 3. Classificação da cobertura do solo em alta resolução da bacia hidrográfica da Baía de Chesapeake usando uma rede neural residual profunda implementada no ArcGIS Pro.

4.3 Modelagem de habitats de ervas marinhas no espaço e no tempo

Nesta aplicação de IA, GIS e métodos de aprendizado de máquina são integrados para modelar a relação entre habitats de ervas marinhas e as condições do oceano. As ervas marinhas são plantas marinhas que podem sequestrar rapidamente grandes quantidades de CO2, até 100 vezes mais e 12 vezes mais rápido em comparação com as florestas tropicais (Parry et al., 2007 Pidgeon, 2009). Apenas quantidades limitadas de dados sobre habitats globais de ervas marinhas estão disponíveis, e os dados existentes são freqüentemente esparsos. Portanto, o desenvolvimento de um modelo de habitat de ervas marinhas com base em dados existentes pode ajudar a compreender quantitativamente as condições do oceano que favorecem o crescimento de ervas marinhas. Além disso, esse modelo também pode prever futuros habitats de ervas marinhas com base nas mudanças nas condições do oceano. Múltiplas fontes de dados, incluindo os dados de ervas marinhas de MarineCorder.gov e o conjunto de dados de Unidades Ecológicas Marinhas (EMU) recentemente disponíveis (Wright et al., 2017) foram usadas nesta análise. Esses dados foram empregados para treinar um modelo baseado na ocorrência de ervas marinhas ao longo da costa dos EUA para prever habitats de ervas marinhas globalmente até uma profundidade de 90 metros. Os dados dos oceanos in situ são interpolados usando a Krigagem Bayesiana Empírica (EBK) para produzir previsões em escala global. Uma estrutura de floresta aleatória é então usada para relacionar a ocorrência e ausência de ervas marinhas a um conjunto de variáveis, incluindo temperatura, salinidade, fosfato, silicato, nitrato e oxigênio dissolvido. A Figura 4 (a) mostra as previsões em escala global em habitats de ervas marinhas usando dados da costa dos EUA para treinamento, que são justapostos contra um mapa na Figura 4 (b) por Short et al. (2007) de observações de ervas marinhas.

Figura 4. (a) Habitats de ervas marinhas previstos usando um modelo de floresta aleatório (verde escuro indica alta abundância modelada) (b) dados de ocorrência de ervas marinhas relatados por Short et al. (2007).

O modelo de floresta aleatório treinado em habitats de ervas marinhas existentes é então aplicado a diferentes condições do oceano para prever os possíveis cenários de habitats de ervas marinhas devido ao aquecimento dos oceanos. Um aumento de 2 ℃ na temperatura média do oceano é simulado com um incremento de 0,2 ℃. Para cada instantâneo da condição do oceano, os habitats das ervas marinhas são previstos usando o modelo de floresta aleatório treinado. A estatística Getis-Ord Gi * (Ord & amp Getis, 1995) é usada para detectar os aglomerados de ervas marinhas em depósitos de espaço-tempo. Avaliar as mudanças na intensidade da abundância em locais individuais ao longo do tempo usando a estatística de Mann-Kendall produz o mapa de pontos quentes emergentes na Figura 5.

Figura 5. Mapa de pontos quentes emergentes para habitats de ervas marinhas sob aumento da temperatura do oceano.

Conforme mostrado na figura, a Austrália pode perder suas ervas marinhas sob as mudanças das condições do oceano, enquanto a costa da Sibéria pode melhorar sua adequação para habitats de ervas marinhas. O uso de floresta aleatória neste aplicativo de IA permite um modelo baseado em dados de habitats de ervas marinhas para as costas do mundo. Um tutorial que demonstra a previsão de ervas marinhas com métodos de aprendizado de máquina pode ser encontrado no Recurso Adicional 5.

4.4 Resumo e algumas outras aplicações de IA em geografia

Os três estudos discutidos acima estão resumidos na Tabela 1.

Tabela 1. Um resumo dos três estudos discutidos de 3.1 a 3.3.
Estudar Tipo de Tarefa Tipo de Aprendizagem Modelo (s)
Reconhecimento automático de características naturais do terreno Classificação Aprendizagem supervisionada Aprendizagem profunda: CNN mais rápida com base na região
Classificação de cobertura do solo de alta resolução Classificação Aprendizagem supervisionada Aprendizagem profunda: rede neural residual profunda
Previsão de habitat de ervas marinhas em escala global Predição Aprendizagem supervisionada Aprendizado de máquina: EBK e floresta aleatória

Conforme mostrado na Tabela 1, o primeiro estudo aborda uma tarefa de classificação (mais especificamente, detecção de objetos) que aproveita o aprendizado profundo para identificar a categoria de uma característica do terreno e sua localização na imagem. O segundo estudo também é uma tarefa de classificação (segmentação semântica), na qual uma classificação da cobertura do solo em nível de pixel é alcançada. O terceiro estudo completa uma tarefa de previsão que prevê o crescimento de ervas marinhas em situações simuladas. Todos os três estudos empregam aprendizagem supervisionada em que os modelos são primeiro treinados usando dados de treinamento rotulados. Embora a aprendizagem supervisionada seja de fato muito comum, muitos estudos também empregam aprendizagem não supervisionada, como abordagens de agrupamento espacial e espaço-temporal, para extrair padrões geográficos de dados (Anbaroglu et al., 2014 Hu et al., 2015).

Existem outras aplicações que integram técnicas de IA com pesquisa geográfica. CNNs e suas variantes, além de seu excelente desempenho no processamento de imagens de satélite (Collins et al., 2017) e fotos do Google Street View (Law et al., 2017), também são utilizadas para alinhar dados vetoriais a imagens raster de mapas históricos ( Duan et al., 2017), detectando os tipos de mapas online (Zhou et al., 2018), classificando textos geográficos (Adams & amp McKenzie, 2018), e assim por diante. RNNs, como Long Short-Term Memory (LSTM), são utilizados para lidar com dados de série temporal, como prever os próximos locais de trajetórias (Li et al., 2018) e examinar os padrões temporais de colheitas (Sun et al., 2018). Os RNNs também são usados ​​para analisar tweets com geo-tags e outros textos em linguagem natural contendo informações geográficas (Mao et al., 2018b Sit et al., 2019 Santos et al., 2018). Modelos de aprendizado de máquina, como o modelo Markov oculto, são integrados a uma variedade de aplicativos geoespaciais, como navegação interna (Li et al., 2017a) e previsão de localização de serviços financeiros (McKenzie & amp Slind, 2019). Embora já existam muitos aplicativos, novas idéias e métodos estão sendo desenvolvidos constantemente.

GeoAI é um campo em rápido crescimento, com muitas direções possíveis a serem seguidas em um futuro próximo. Aqui, listamos algumas dessas direções. Em primeiro lugar, a maioria dos métodos de IA são atualmente aplicados a tarefas de análise espacial predefinidas e altamente específicas. Pode haver um assistente GeoAI geral, semelhante ao Alexa da Amazon ou Siri da Apple? Esse assistente GeoAI pode ser capaz de entender as necessidades de um praticante de GIS, formalizar e definir automaticamente as tarefas e identificar ferramentas candidatas a partir de uma grande caixa de ferramentas de GIS. Em segundo lugar, a maioria dos modelos de IA de hoje são desenvolvidos com base em um conjunto de dados de treinamento e, como resultado, eles herdam naturalmente o viés potencial nos dados. Na pesquisa geográfica, os dados de treinamento são frequentemente coletados de uma determinada área geográfica e, conseqüentemente, pode ser difícil para um modelo treinado usando os dados de uma área geográfica ter um bom desempenho com os dados de outras áreas. Uma direção importante, portanto, é melhorar as arquiteturas de modelo (ou o processo de treinamento) para que os modelos GeoAI obtidos possam ser transferidos para diferentes áreas geográficas. Terceiro, muitos estudos GeoAI existentes aplicam apenas métodos de IA a problemas geográficos, em vez de melhorar ou inventar métodos. Embora isso seja bom do ponto de vista da solução de problemas, é fundamental para os geógrafos não apenas importar métodos de disciplinas externas, mas também exportar conhecimento geográfico para outros campos. Modelos de IA informados geograficamente ou espacialmente explícitos podem ser desenvolvidos para capturar a singularidade dos problemas geográficos.

Adams, B., & amp Mckenzie, G. (2018). Crowdsourcing do caráter de um lugar: Redes convolucionais em nível de caractere para classificação de texto geográfico multilíngue. Transações em GIS, 22(2), 394-408.

Allenby, J., Joppa, L., & amp Jojic, N. (2018). Conservação de precisão. Em Wright, D. e Harder, C. (Eds.) GIS for Science: How Mapping and Spatial Analytics Advance Research. Esri Press.

Anbaroglu, B., Heydecker, B., & amp Cheng, T. (2014). Agrupamento espaço-temporal para detecção de congestionamento de tráfego não recorrente em redes de estradas urbanas. Pesquisa de Transporte Parte C: Tecnologias Emergentes, 48, 47-65.

Bennett, L. (2018). Aprendizado de máquina no ArcGIS. ArcUser, 21(2), 8-9.

Blaha, M., Vogel, C., Richard, A., Wegner, J. D., Pock, T., & amp Schindler, K. (2016). Reconstrução 3d semântica em larga escala: um modelo adaptativo de multirresolução para rotulagem volumétrica multiclasse. ed. Conferência IEEE 2016 sobre Visão Computacional e Reconhecimento de Padrões (CVPR), 3176-3184. DOI: 10.1109 / CVPR.2016.346

Chen, Y., Lin, Z., Zhao, X., Wang, G., & amp Gu, Y. (2014). Classificação de dados hiperespectrais baseada em aprendizagem profunda. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 7(6), 2094-2107. DOI: 10.1109 / JSTARS.2014.2329330

Collins, C. B., Beck, J. M., Bridges, S. M., Rushing, J. A., & amp Graves, S. J. (2017). Aprendizado profundo para aprimoramento de resolução de imagem multisensor. Proceedings of the 1st Workshop on Artificial Intelligence and Deep Learning for Geographic Knowledge Discovery, 37-44. DOI: 10.1145/3149808.3149815

Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. IEEE Conference on Computer Vision and Pattern Recognition, 248-255. DOI: 10.1109/CVPR.2009.5206848

Duan, W., Chiang, Y.-Y., Knoblock, C. A., Jain, V., Feldman, D., Uhl, J. H., & Leyk, S. (2017). Automatic alignment of geographic features in contemporary vector data and historical maps. Proceedings of the 1st Workshop on Artificial Intelligence and Deep Learning for Geographic Knowledge Discovery, 45-54. DOI: 10.1145/3149808.3149816

Flach, P. (2012). Machine learning: the art and science of algorithms that make sense of data. Cambridge University Press.

Fotheringham, A. S., Brunsdon, C., & Charlton, M. (2003). Geographically weighted regression. John Wiley & Sons, Limited West Atrium.

Gong, F.-Y., Zeng, Z.-C., Zhang, F., Li, X., Ng, E., & Norford, L. K. (2018). Mapping sky, tree, and building view factors of street canyons in a high-density urban environment. Building and Environment, 134, 155-167. DOI: 10.1016/j.buildenv.2018.02.042

Hu, Y., Gao, S., Janowicz, K., Yu, B., Li, W., & Prasad, S. (2015). Extracting and understanding urban areas of interest using geotagged photos. Computers, Environment and Urban Systems, 54, 240-254. DOI: 10.1016/j.compenvurbsys.2015.09.001

Jombart, T., Devillard, S., Dufour, A., & Pontier, D. (2008). Revealing cryptic spatial patterns in genetic variability by a new multivariate method. Heredity, 101(1), 92. DOI: 10.1038/hdy.2008.34

Krivoruchko, K. (2012). Empirical bayesian kriging. ArcUser, 6-10.

Kulkarni, V., & Garbinato, B. (2017). Generating synthetic mobility traffic using RNNs. Proceedings of the 1st Workshop on Artificial Intelligence and Deep Learning for Geographic Knowledge Discovery, 1-4. DOI: 10.1145/3149808.3149809

Law, S., Shen, Y., & Seresinhe, C. (2017). An application of convolutional neural network in street image classification: the case study of London. Proceedings of the 1st Workshop on Artificial Intelligence and Deep Learning for Geographic Knowledge Discovery, 5-9. DOI: 10.1145/3149808.3149810

Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. DOI: 10.1038/nature14539

Li, M., Lu, F., Zhang, H., & Chen, J. (2018). Predicting future locations of moving objects with deep fuzzy-LSTM networks. Transportmetrica A: Transport Science, 1-18. DOI: 10.1080/23249935.2018.1552334

Li, Q., Zhu, J., Liu, T., Garibaldi, J., Li, Q., & Qiu, G. (2017a). Visual landmark sequence-based indoor localization. Proceedings of the 1st Workshop on Artificial Intelligence and Deep Learning for Geographic Knowledge Discovery, 14-23. DOI: 10.1145/3149808.3149812

Li, W., & Hsu, C.-Y. (2018). Automated terrain feature identification from remote sensing imagery: a deep learning approach. International Journal of Geographical Information Science, 1-24. DOI: 10.1080/13658816.2018.1542697

Li, W., Zhou, B., Hsu, C.-Y., Li, Y., & Ren, F. (2017b). Recognizing terrain features on terrestrial surface using a deep learning model: an example with crater detection. Proceedings of the 1st Workshop on Artificial Intelligence and Deep Learning for Geographic Knowledge Discovery, 33-36. DOI: 10.1145/3149808.3149814

Maggiori, E., Tarabalka, Y., Charpiat, G., & Alliez, P. (2017). Convolutional neural networks for large-scale remote-sensing image classification. IEEE Transactions on geoscience and remote sensing, 55(2), 645-657. DOI: 10.1109/TGRS.2016.2612821

Mao, H., Hu, Y., Kar, B., Gao, S., & Mckenzie, G. (2018). GeoAI 2017 workshop report: the 1st ACM SIGSPATIAL International Workshop on GeoAI: AI and Deep Learning for Geographic Knowledge Discovery: Redondo Beach, CA, USA, November 7, 2016. SIGSPATIAL Special, 9(3), 25-25. DOI: 10.1145/3178392.3178408

Mao, H., Thakur, G., Sparks, K., Sanyal, J., & Bhaduri, B. (2018a). Mapping near-real-time power outages from social media. International Journal of Digital Earth, 1-15. DOI: 10.1080/17538947.2018.1535000

Marcos, D., Volpi, M., Kellenberger, B., & Tuia, D. (2018b). Land cover mapping at very high resolution with rotation equivariant CNNs: Towards small yet accurate models. ISPRS Journal of Photogrammetry and Remote Sensing, 145, 96-107. DOI: 10.1016/j.isprsjprs.2018.01.021

Mccarthy, J. (1956). The Dartmouth Summer Research Project on Artificial Intelligence. Dartmouth College, New Hampshire.

Mckenzie, G., & Slind, R. T. (2019). A user-generated data based approach to enhancing location prediction of financial services in sub-Saharan Africa. Applied Geography, 105, 25-36. DOI: 10.1016/j.apgeog.2019.02.005

Ord, J. K., & Getis, A. (1995). Local spatial autocorrelation statistics: distributional issues and an application. Geographical Analysis, 27(4), 286-306. DOI: 10.1111/j.1538-4632.1995.tb00912.x

Parry, M., Parry, M. L., Canziani, O., Palutikof, J., Van Der Linden, P., & Hanson, C. (2007). Climate change 2007-impacts, adaptation and vulnerability: Working group II contribution to the fourth assessment report of the IPCC. Cambridge University Press.

Pidgeon, E. (2009). Carbon sequestration by coastal marine habitats: Important missing sinks. The Management of Natural Coastal Carbon Sinks, 47.

Russell, S. J., Norvig, P., Canny, J. F., Malik, J. M., & Edwards, D. D. (2003). Artificial intelligence: a modern approach. Prentice Hall Upper Saddle River.

Santos, R., Murrieta-Flores, P., Calado, P., & Martins, B. (2018). Toponym matching through deep neural networks. International Journal of Geographical Information Science, 32(2), 324-348. DOI: 10.1080/13658816.2017.1390119

Short, F., Carruthers, T., Dennison, W., & Waycott, M. (2007). Global seagrass distribution and diversity: a bioregional model. Journal of Experimental Marine Biology and Ecology, 350(1-2), 3-20. DOI: 10.1016/j.jembe.2007.06.012

Sit, M. A., Koylu, C., & Demir, I. (2019). Identifying disaster-related tweets and their semantic, spatial and temporal context using deep learning, natural language processing and spatial analysis: a case study of Hurricane Irma. International Journal of Digital Earth, 1-25. DOI: 10.1080/17538947.2018.1563219

Srivastava, S., Vargas Muñoz, J. E., Lobry, S., & Tuia, D. (2018). Fine-grained landuse characterization using ground-based pictures: a deep learning solution based on globally available data. International Journal of Geographical Information Science, 1-20. DOI: 10.1080/13658816.2018.1542698

Sun, Z., Di, L., & Fang, H. (2018). Using long short-term memory recurrent neural network in land cover classification on Landsat and Cropland data layer time series. International Journal of Remote Sensing, 1-22. DOI: 10.1080/01431161.2018.1516313

Tuia, D., Ratle, F., Pacifici, F., Kanevski, M. F., & Emery, W. J. (2009). Active learning methods for remote sensing image classification. IEEE Transactions on Geoscience and Remote Sensing, 47(7), 2218-2232. DOI: 10.1109/TGRS.2008.2010404

Turing, A. (1950). Computing machinery and intelligence. Mind, 59, 433-460.

Valiant, L. G. (1984). A theory of the learnable. Communications of the ACM, 27(11), 1134-1142.

Wang, S. (2010). A CyberGIS framework for the synthesis of cyberinfrastructure, GIS, and spatial analysis. Annals of the Association of American Geographers, 100(3), 535-557.

Wright, D., Sayre, R., Breyer, S., Butler, K., Vangraafeiland, K., Goodin, K., Kavanaugh, M., Costello, M., Cressie, N., & Basher, Z. (2017). The Ecological Marine Units Project as a Framework for Collaborative Data Exploration, Distribution, and Knowledge Building. EGU General Assembly Conference Abstracts, 6051.

Zhang, F., Du, B., & Zhang, L. (2015). Scene classification via a gradient boosting random convolutional network framework. IEEE Transactions on Geoscience and Remote Sensing, 54(3), 1793-1802. DOI: 10.1109/TGRS.2015.2488681

Zhou, X., Li, W., Arundel, S. T., & Liu, J. (2018). Deep Convolutional Neural Networks for Map-Type Classification. In Freundschuh, S. M. and Sinton, D. (Eds.), Proceedings of the 2018 UCGIS Symposium, 147-155.

Zhu, X. X., Tuia, D., Mou, L., Xia, G.-S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8-36. DOI: 10.1109/MGRS.2017.2762307


GIS Division

GIS Mapping
The City of Waynesboro's Geographic Information System (GIS) Division captures, maintains, and produces citywide geographic data, the locations of man-made and natural features on the earth&rsquos surface, and other types of information, names, classifications, addresses, etc., that enable a person to visualize land-related aspects of the City of Waynesboro using mapping technologies.

Waynesboro is committed to improving the quality of our products, processes, and services by using resources more efficiently. The City of Waynesboro&rsquos internet mapping service is a resource that provides a powerful tool that allows a person to interact with specific types of geographic information, including land records, streets, aerial imagery, etc. Waynesboro&rsquos interactive map will allow you to pan and zoom, export geographic information, perform queries, and more.

It is our hope that this tool promotes the use of internet mapping technology to more efficiently address problems, and help in decision support regarding property management, infrastructure, and natural resources within the City of Waynesboro.


Using ESRI World Imagery (for Export)? - Sistemas de Informação Geográfica

GIS Mapping
The City of Waynesboro's Geographic Information System (GIS) Division captures, maintains, and produces citywide geographic data, the locations of man-made and natural features on the earth&rsquos surface, and other types of information, names, classifications, addresses, etc., that enable a person to visualize land-related aspects of the City of Waynesboro using mapping technologies.

Waynesboro is committed to improving the quality of our products, processes, and services by using resources more efficiently. The City of Waynesboro&rsquos internet mapping service is a resource that provides a powerful tool that allows a person to interact with specific types of geographic information, including land records, streets, aerial imagery, etc. Waynesboro&rsquos interactive map will allow you to pan and zoom, export geographic information, perform queries, and more.

It is our hope that this tool promotes the use of internet mapping technology to more efficiently address problems, and help in decision support regarding property management, infrastructure, and natural resources within the City of Waynesboro.


Using ESRI World Imagery (for Export)? - Sistemas de Informação Geográfica

The City of Waynesboro's Geographic Information System (GIS) Division captures, maintains, and produces citywide geographic data. Locations of human-made and natural features on the earth's surface and other types of information, like names, classifications, addresses, etc. that enable a person to visualize land-related aspects of the City of Waynesboro using mapping technologies.

Waynesboro is committed to improving the quality of our products, processes, and services by using resources more efficiently. The City of Waynesboro's internet mapping service is a resource that provides a powerful tool allowing a person to interact with specific types of geographic information, including land records, streets, and aerial imagery. Waynesboro's interactive map will allow you to pan and zoom, export geographic information, perform queries, and more.

We hope that this tool promotes internet mapping technology to more efficiently address problems and help in decision support regarding property management, infrastructure, and natural resources within the City of Waynesboro.


GIS Division

GIS Mapping
The City of Waynesboro's Geographic Information System (GIS) Division captures, maintains, and produces citywide geographic data, the locations of man-made and natural features on the earth&rsquos surface, and other types of information, names, classifications, addresses, etc., that enable a person to visualize land-related aspects of the City of Waynesboro using mapping technologies.

Waynesboro is committed to improving the quality of our products, processes, and services by using resources more efficiently. The City of Waynesboro&rsquos internet mapping service is a resource that provides a powerful tool that allows a person to interact with specific types of geographic information, including land records, streets, aerial imagery, etc. Waynesboro&rsquos interactive map will allow you to pan and zoom, export geographic information, perform queries, and more.

It is our hope that this tool promotes the use of internet mapping technology to more efficiently address problems, and help in decision support regarding property management, infrastructure, and natural resources within the City of Waynesboro.


Georectifying is a tool that allows you to transform paper maps, CAD files or other images into an ArcGIS layer. This is handy especially for historic maps, aerial photos, data found on-line that is not digitally available, or print data. This can also be of use when you do not have the information you need [&hellip]

One of the basic principles of GIS is that data layers must align spatially for them to be accurately analyzed. When 2 (or more) layers do not align, we must convert them to a common spatial reference system. This page discusses the concepts of coordinate systems and projections, and at the end, gives instructions on [&hellip]


My Favorite Tools: Geo-Journalist Gustavo Faleiros

For GIJN’s “My Favorite Tools” series, we spoke with Brazilian journalist Gustavo Faleiros , editor of environmental investigations at the Pulitzer Center, where he leads the Rainforest Investigations Network (RIN). The RIN initiative seeks to create stories at the intersection of climate change, corruption, and government in the three main tropical forest regions of the world: the Amazon, the Congo Basin, and Southeast Asia.

Faleiros has spent more than a decade reporting on the rainforest, winning recognition for his work from the Data Journalism Awards and the Gabriel Garcia Marquez journalism awards . In 2012 he founded InfoAmazonia , a multilingual digital platform that uses satellite images and public data to report on the nine Latin American countries that share the Amazon territory. “What moved me to start InfoAmazonia was the representation of the land, showing what was happening — deforestation, mining, oil spills,” says Faleiros, who remains the site’s executive director. Previously, he was editor of the Brazilian environmental news site O Eco.

For journalists just starting out in geo-journalism, Faleiros recommends beginning with free tools that are not overly complex, such as Google Earth Pro, the free, open source geographic information system QGIS, and Google Sheets.

Google Earth Pro, he says, provides “very attractive” satellite information. “You can compare with the past and see environmental changes, and they also have overlay layers, which are essential for visualization,” he says. “QGIS has many analysis tools, which is the second natural stage for someone who wants to do geospatial analysis, and Google Sheets serves to connect the databases.”

Gustavo Faleiros. Image: Courtesy Gustavo Faleiros

Mapping

Google Earth allows you to search anywhere. The desktop application allows you to create maps with advanced tools, and to import and export geographic information system (GIS) data, or use historical images to create retrospectives. “All the work that I have done with InfoAmazonia, and the things that I will do with the Pulitzer Center and the RIN, are based on geographic data research,” he says. “I started using Google Earth just over 10 years ago to visualize, for example, forest fires. At that time we weren’t even talking about ‘data journalism.’”

Faleiros started using QGIS — an open source GIS, or geographic information system, used for geospatial analysis — when he needed to start digging deeper for his stories. Through its desktop application you can view, manage, edit, and analyze data, and design printable maps. “I use this, for example, to make an analysis of the indigenous territories of the Amazon that have more deforestation or forest fires,” he says.

Many of InfoAmazonia’s visualizations start with Mapbox, an online map provider, which offers a free trial period and then a pay scale linked to the number of users. “It allows you to filter by range as well, but it is primarily a visualization tool,” Faleiros explains. “It allows you to make personalized maps its visual characteristics are super strong.”

He adds: “When you look at InfoAmazonia’s collection of maps, you will see that they are all unique — that is something Mapbox allows. It is strong enough to illustrate maps and visualize data. It is an essential tool for us.”

Many of InfoAmazonia’s visualizations begin with the Mapbox tool, like this graphic, which shows accelerating rates of Amazon deforestation over time. Graphic: Courtesy InfoAmazonia

Satellite Images

EO Browser is an open source web tool for browsing, viewing, and analyzing satellite images from various data sources. It allows you to inspect a map in the desired time range, make visualizations, create time-lapses, and download images. “I have used it to do research in indigenous territories where there are hardly any roads, highways, or trails,” he says. “It is a very good tool, and good for obtaining data.”

With NASA Worldview you can visually explore the planet’s past and present using satellite images. During the wildfire and burning seasons, Faleiros checks Worldview every day. “They update it daily, and you can actually see the smoke,” he says. “There are satellite images that allow you to visualize the emission of smoke from a forest burning, and pollution emissions.”

For Tables and Visualizations

“I use this a lot more than Excel,” he says. “Every time I have to do a type of visualization I use it it is the basis of many things, such as dynamic tables and analysis.” For Faleiros, the great advantage of Google Sheets over Excel is the internet connectivity, which allows direct links to be embedded. “And it is a more dynamic application, which suggests the functions to work with.”

InfoAmazonia’s most-read story was “ NASA Satellites Reveal High Fire Rates Alongside Deforestation. “ It contained charts made in Datawrapper. The story, published in 2019, shows that fires in the Amazon had increased by 38% and that seven of the places that saw the most fires were also on the list of areas with the highest levels of deforestation.

Datawrapper allows you to make interactive maps and charts in a simple way, without the need to learn programming languages. “It is such a refined tool, it is so beautiful, whether you have to write down the data, highlight data, or [create] a column. The beauty of Datawrapper is in the details. It is a very good tool, very easy to use, and generates very useful graphics.”

Additional Reading

/>Mariel Lozada is GIJN’s Spanish Associate Editor and a Venezuelan freelance journalist. She has worked in digital journalism for five years, and has reported on health, gender, and human rights issues in Latin America. She is part of the La Tercera newsletter, and collaborates with Salud con Lupa, and Soy Arepita.

Related Series

My Favorite Tools

Read Next

My Favorite Tools: Tracking Far-Right Groups with Elie Guckert

For GIJN’s series on journalists’ favorite tools, we spoke with Elie Guckert, a French independent journalist who focuses on far right groups and armed conflict for sites including Mediapart and Bellingcat. Guckert shared several geolocation tools, as well as a key tip about the value of right wing propaganda as a source of information about the intentions of those groups.


Esri Releases New 2020 Global Land Cover Map

REDLANDS, Calif.: Esri, the global leader in location intelligence, today announced it is releasing for the first time ever a new high-resolution, 2020 global land cover map as part of the company’s Living Atlas. The map was built using European Space Agency (ESA) Sentinel-2 satellite imagery, and developed using a new machine learning workflow teaming with new Esri Silver Partner Impact Observatory, as well as long-time partner Microsoft.

The new map will be updated annually supporting change detection and highlighting planetary land changes, especially related to the effects of human activity. A consistent map of land cover for the entire world based on the most current satellite information, the 2020 Global Land Cover Map can be combined with other data layers for green infrastructure, sustainability projects, and other conservation efforts that require a holistic picture of both the human and natural footprint on the planet. Later this year, Esri and Impact Observatory will make this new land cover model available to support on-demand land cover classification, allowing the GIS community to create maps for project areas as often as every week.

“This is a critical year for climate action,” said Jack Dangermond, Esri founder and president. “With the UN Climate Change Conference of the Parties (COP26) bringing international parties together to address a set of common goals, we are happy to do our part in making this map available to users that are working towards the health of our planet.”

Users will also be able to manipulate the map in association with other GIS layers such as terrain, hydrology, and more, all available in ArcGIS Living Atlas of the World, the foremost collection of geographic information from around the globe, including maps, apps, and data layers. Through the visualizations being released, planners worldwide will better understand the geography around them to make more informed decisions—enabling them to gain insight into locations with distinctive land cover, as well as human activity affecting them.

High-resolution, open, accurate, comparable, and timely land cover maps are critical for decision-makers in many industry sectors and developing nations. These maps improve understanding of important topics such as food security, land use planning, hydrology modeling, and resource management planning. In addition, national government resource agencies use land cover as a basis for understanding trends in natural capital, which helps define land planning priorities and is the basis of budget allocations.

Impact Observatory, contracted by Esri, developed a deep learning AI land classification model using a massive training dataset of billions of human-labeled image pixels, and applied this model to the Sentinel-2 2020 scene collection, processing over 400,000 Earth observations to produce the map. The unique machine learning approach used to create this global map will soon be available on demand, supporting land managers who need to monitor change in a specific area of interest, looking at annual change and seasonal differences in land cover.

“Global efforts are urging world leaders to set and achieve ambitious conservation targets,” said Steve Brumby, Impact Observatory co-founder and CEO. “With support from the geospatial experts at Esri, and access to incredible compute resources at Microsoft, we were able to build in record time a land cover map that provides leaders in governments, NGOs, and across industries with a novel, timely view of the planet, and a new AI-powered capability for actionable, science-based insights on demand. In doing so, Impact Observatory hopes to contribute towards the global conservation effort.”