Month: November 2020

Denna vecka har vi diskuterat och gjort diverse analyser med hjälp av verktyget Viewshed i ArcGis PRO samt bekantat oss med 3D modelling och visualisering. En viewshed analys innebär att räkna ut vilka områden som påverkas eller hindras av ett objekt eller fenomen. Exempel på situationer som viewshed analys används för är när man vill granska en vald punkts synlighet från ett visst område eller om man vill veta om det finns ett hinder mellan sändarantennen och mottagarantennens siktlinje som försämrar mottagningen av signalen.

Första uppgiften ”Performing Viewshed Analysis in ArcGIS Pro” handlade om att med hjälp av viewshed analys räkna ut hur stort yta av ett campingområde lyses upp av artificiellt ljus på eftermiddagen. Uppgiften bestod av att jämföra ljus täckningen av en lampa som lyster från 3 meters höjd och en lampa som lyster från 10 meters höjd då det endast fanns två stycken ljuskällor. Idén med uppgiften var att med hjälp av viewshed analys räkna ut vilket alternativ lyste bättre upp campingområdet.

För att slutföra analysen redigerade jag attribut tabellen och tillade fler variabler som skulle tas i beaktade i uträkningen. Sedan använde jag en raster funktion, Math:Logical för att skriva in värdet på variablerna samt använde jag även Viewshed verktyget.

I andra uppgiften ”Performing Line of Sight Analysis” använde jag också viewshed verktyget samt bekantade mig med 3D modelling. Uppgiften handlade om en fiktiv parad i Philadelphia där jag skulle göra en uträkning hur mycket av parad rutten var sedd från två olika punkter på två olika byggnaders tak. Jag genomförde analysen två gånger för att jämföra synlighetsgraden av rutten ifall det skulle vara klart väder och ifall det skulle förekomma regn, dimma eller smog vilket skulle försämra siktet. Synlighets sträckan var 1100 feet (ca. 335m) vid uppehåll och 600 feet (ca. 182m) vid nederbörd. Denna typs analys är väldigt nödvändig och användbar i diverse branscher, yrken samt olika typs analyser. Jag tycker det var spännande att göra en matematisk analys i en tredimensionell modell.

Jag använde bland annat verktyget ”Construct Sight Lines” för att skapa linjer från observationspunkterna till rutten med 30 feets (ca. 9m) intervall. Därefter använde jag verktyget ”Line Of Sight” för att med hjälp av data om terrängen gallra bort de linjer vars siktlinje blev blockerade av diverse objekt, t.ex byggnader.

Bild 1. En tredimensionell karta över synlighet av parad rutten från två observeradepunkter, synligheten är upptill 1100 feet. ArcGIS PRO.

På kartan ser man de synliga siktlinjerna på 1100 feets avstånd, alltså hur väl man skulle se paraden ifall det vore uppehåll. Paradrutten syns i rött, observationspunkterna syns som en röd diamant och de synliga siktlinjerna syns i lila. För att slutföra den andra delen av uppgiften använde jag verktyget Select By Attributes för att endast välja de siktlinjer som har synlighet till 600 feets avstånd.

Bild 2. En tredimensionell karta över synlighet av parad rutten från två observeradepunkter, synligheten är upptill 600 feet. ArcGIS PRO.

Då det är uppehåll är det betydlig bättre täckning av parad rutten än när det förekommer något atmosfäriskt fenomen som försämrar siktet. Vädret är en viktig variabel att ta i beaktande då man gör analyser om verkliga evenemang eller fenomen.

Sista uppgiften ”Authoring 3D Scenes” bestod till största dels av teori om 3D modelling där jag bland annat läste om tredimensionella modeller på global och lokal skala samt tredimensionella modellers fotorealistiska eller kartografiska egenskaper och hur man kan visualisera modeller.

Uppgiften bestod också av tre kortare deluppgifter där man bland annat bekantade sig med 3D modellings grundläggande egenskaper samt hur man infogar tredimensionella objekt på kartan för vidare visualisering. I sista deluppgiften skulle man visualisera omgivningen runt en specifik byggnad samt hur ljusets skuggning faller på omgivningen beroende från vilken vinkel ljuset faller.

Karta 3. En tredimensionell karta över en byggnad samt dess omgivning. ArcGIS PRO.

Den blåa boxen föreställer bygganden och de gröna bollarna föreställer träd. Skuggningen faller in på en 40 graders vinkel. Speciellt skuggnings processen var väldigt tung för min dator så jag hade svårigheter att ändra på teckenförklaringen. Program som ArcGis PRO som behandlar stordata tär på datorer, speciellt då datorn bearbetar med tredimensionella modeller.

Denna veckas uppgifter var givande, spännande och roliga. Det var spännande att få bekanta sig med 3D modelling samt lära sig hur användbart viewshed analys är.

Uppgifterna denna vecka var klara och intressanta. Jag förstod till största del varför vilka verktyg användes och vad verktygens funktion var. Vad verktygen egentligen gör har tidigare veckor varit lite oklart men efter denna veckas uppgifter har jag fått mer självförtroende av att använda ArcGis PRO och diverse verktyg.

Veckans uppgifter bestod endast av två längre uppgifter. Den första uppgiften handlade om att lokalisera ett lämpligt odlingsområde för en vinodling i San Diego, Kalifornien. Den andra uppgiften var att skapa ett diagram över ställen med översvämningsrisker i Stowe, Vermont.

För att lokalisera ett lämpligt vinodlings område i San Diego måste man ta i beaktande tre stycken krav:

• • • Elevation above 200 meters (656 feet)
    • Slope between 1.5 percent and 15 percent
    • Some southern exposure (southeast, south, or southwest)

Dessa tre krav är viktiga element för vinodling. Om sluttningen är för brant kan det orsaka till exempel erosion och jordskred. Vindruvors odling kräver relativt mycket solljus för att vindruvorna skall mogna, därför måste sluttningen vara riktad mot syd, sydost eller sydväst. En vinodlings höjd över havet varierar beroende på hurdant vin man vill framställa och av hurdana druvor. Dessutom ville den fiktiva lantbrukaren att utsikten från vinodlingen skulle vara över Murray sjön. Med dessa krav i bakfickan började jag slutföra analysen.

Först skapade jag olika raster lager baserat på höjd över havet, lutning på sluttningen och riktningen på sluttningen med hjälp av verktygen Slope och Aspect. Sedan använde jag raster calculation för att kombinera alla dessa lager till ett gemensamt lager. I raster calculation skrev jag en expression där alla krav ingick, då skapades ett kart lager som utmärkte alla områden som är lämpliga för vinodling. Dessa  lämpliga områden syns på kartan nedan.

Karta 1. Karta över områden som lämpar sig för vinodling baserat på tre krav. San Diego, Kalifornien. ArcGis Pro.

Jag använde mig av verktyget hillshade för att skapa en 3D effekt på kartlagret som skugglade sydliga sluttningar. Detta verktyg förbättrar visualiseringen av topografin. Sedan använde jag även verktygen contour lines för att skapa höjdkurvor på topografin. Med hjälp av dessa höjdkurvor kunde man bättre se var gränsen för 200 meters höjd går, vilket var ett krav. Till sist använde jag verktyget viewshed för att räkna ut från vilka områden Murray sjön är synlig från.

Karta 2.  Topografisk karta över områden som lämpar sig för vinodling samt utsiktsområden över Murray sjön i San Diego, Kalifornien. ArcGis Pro.

De lila raster områdena är ställen som lämpar sig för vinodling medan de ljusröda raster områdena är ställen därifrån Murray sjön är synlig. På vissa områden överlappar dessa varandra vilket skulle vara det ideala området för en vinodling enligt den fiktiva lantbrukaren.

I den andra uppgiften skulle man med hjälp av diverse verktyg göra ett förutseende av översvämningsriskerna kring Little river i Stowe, Vermont. För att slutföra denna uppgift måste man bland annat rätta till fel i datan, räkna flödes hastigheten och flödes tiden samt hur vattnet rinner. Med dessa uträkningar framkallade man olika kartlager som man hade attribut tabeller. Informationen av dessa attribut tabeller kunde man skapa en hydrograf som visar översvämningsriskerna kring floden.

Bild 1. Hydrograf över översvämningsriskerna kring Little river i Stowe, Vermont. ArcGis Pro.

Jag tycker att verktygen i dessa uppgifter fungerade väl och uppgifterna var klara och tydliga. Det känns nu som att man allt mer hänger med i uppgifterna och kan börja göra uppgifterna lite mer självständigt.

 

Förvirringen fortsätter än en gång…

Denna veckas uppgifter var en fortsättning av förra veckans uppgifter. Alltså det var samma material som jag använde och konceptet var detsamma. Trots att uppgifterna har klara anvisningar så har jag svårt att greppa vad jag egentligen gör i uppgifterna, så som det också varit under de tidigare veckorna.

I första uppgiften gjorde jag enkla binära lämplighets modeller för att skapa ett kartlager som utmärker lämpliga ställen för ett habitat för den vithövdade havsörnen. Jag använde mig av fyra krav för området som skulle lämpa sig som ett habitat för örnen.

Kriterierna för habitatet var följande:

• Far from developed areas
• Not too densely or sparsely covered by forest
  (ranging from 20 percent to 60 percent, ideally near 45-percent tree cover)
• Close to lakes (fewer than 2 miles)
• Located on northeast-facing aspects

Jag använde främst Modelbuilder för att skapa kartlagret där jag editerade variabler och använde mig av bland annat verktyget, raster calculator.

Karta 1. En karta över habitat lämplighet i Kalifornien. ArcGis Pro. 

I andra uppgiften skapade jag en Weighted suitability model. I denna uppgift använde jag mig även av modelbuilder för att skapa kartlagret. Jag använde mig bland annat av verktygen reclassify och rescale by function. På bilden nedan ser man analyskedjan som automatiserade räkningarna.

Bild 1. En skärmbild på modelbuilder, här syns alla inputs och outputs samt verktyg. ArcGisPro.

I sista uppgiften skulle man kombinera alla kartlager för att hitta de områden som har högst lämplighet för habitatet och med hjälp av diverse verktyg. Jag använde mig av bland annat Weighted Sum verktyget för att kombinera kartlagren. Sedan använde jag mig av Sensitivity analysis och Error analysis för att skapa ett kartlager som verkligen visar områden som lämpar sig för ett habitat för den vithövdade havsörnen.

Karta 2. En karta som visar både error och lämplighetsgrad. 

De gröna områdena på kartan lämpar sig bäst för ett habitat där alla krav uppfylls. Områden av rött och gult  lämpar sig inte alls eller sämre och uppfyller inte alla krav. Den röda färgen visuliserar bebyggelse och infrastuktur vilket var ett krav som inte fick vara nära habitatet. Orangea och gula färgen på kartan kan uppfylla några krav för habitatet men uppfyller inte alla parametrar av kraven. De överlägset bästa områdena för habitatet är brevid sjöarna och natur områden i sydost.

Jag känner mig borttappad i ArcGis PRO.

Jag följer alla instruktioner, gör alla uppgifter och resultaten blir alldeles rätt men ändå har jag inte riktigt någon aning vad jag gör. ESRI Academys uppgifter känns diffusa och svåra att greppa trots att anvisningarna är väldigt detaljerade. Förhoppningsvis blir jag snart mer bekväm med programmet och förstår alla verktyg som jag använder fundamentalt.

Den första uppgiftens ”Processing Raster Data Using ArcGIS Pro” material var två stycken satellitbilder från år 2013 och 2015. Uppgiften var att med hjälp av olika verktyg framkalla ett nytt kartlager som visar hur vegetationen och landanvändningen skiljer sig från år 2013 och 2015 i Salinas, Kalifornien. I uppgiften använde jag mig av NDVI (Normalized Difference Vegetation Index) indexet som berättar hur mycket ljus som reflekterar från infra-rött och rött ljus i satellitbilderna. Jag använde bland annat verktyget Difference för att skapa ett nytt lager som visar skillnaderna mellan vegetationen år 2013 och år 2015.

Karta 1. En karta över skillnaderna i vegeationen åren 2013 och 2015, Kalifornien. ArcGisPRO.

Uppgift 1 var indelad i två delar. Andra delen handlade om att göra praktiskt taget ett likadant kartlager som tidigare men via en annan process, raster function chain. För att slutföra en raster function chain måste man inte redigera eller bearbeta datan utan med enkla verktyg och commands kan man skapa samma resultat. Denna process är mer tidseffektiv och eventuellt simplare när man förstår alla verktyg.

Bild 1. Raster function chain över processen. ArcGisPRO.

Den andra uppgiften ”Introduction to Suitability Modeling” var endast att läsa teori om hur processen av tredje och fjärde uppgiften skulle slutföras. Tredje uppgiften ”Preparing Data for a Suitability Model” handlade om vilka metoder och verktyg man skall använda för att uppfylla kriterierna av en viss analys. Idén med uppgiften var att hitta ett lämpligt habitat för den vithövdade havsörnen där uppgiften var att göra en suitability model och workspace för analysen.

Karta 2. Karta över suitability model för kriterierna av den vithövdade havsörnen. ArcGisPro.

I den fjärde uppgiften ”Transforming Data for a Simple Suitability Model” skulle man med hjälp suitability modeln och workspacen från tredje uppgiften slutföra analysen om ett lämpligt habitat för den vithövdade havsörnen utgående från kriterierna.

Kriterierna för habitatet var följande:

• • • Far from developed areas
    • Not too densely or sparsely covered by forest
      (ranging from 20 percent to 60 percent, ideally near 45-percent tree cover)
    • Close to lakes (fewer than 2 miles)
    • Located on northeast-facing aspects

Jag använde mig av Modelbuilder samt olika verktyg som reclassify, raster calculator, aspect och euclidean distance för att skapa ett kartlager utgående från kraven. Denna analys gjordes som en raster function chain så som första uppgiften andra del genomfördes.

Bild 2. Raster function chain över processen av att bestämma lämpligaste habitatet för vithövdade havsörnen. Bilden tagen från ESRI Academy.

Resultatet blev kartan nedan som visar alla kriterier samt deras utspridning. Analyserar man kartan kan man komma till en slutsats om var det lämpligaste områden finns för ett habitat för den vithövdade havsörnen. Genom att iaktta kartan ser man att bufferzonen på två mil runtom kring sjöarna har flera områden som uppfyller kriterierna för habitatet.

Karta 3. Karta med alla variabler för det lämpligaste habitatet för den vithövdade havsörnen.

Denna veckas uppgifter kändes svårare än förra veckans för att det var svårare att förstå vad man gör. Själva arbetet var inte speciellt svårt då man endast följde de detaljerade anvisningar. Förhoppningsvis kommer vi också att ha uppgifter där man själv måst tänka och fundera hur och med vilka verktyg man skall slutföra analysen. Detta skulle främja ens lärande.

Till nästa vecka,

Micki