Autor: Codrina
Este módulo se centra en un tipo específico de modelo de datos geográficos: geodatos vectoriales.
Al final de este módulo, los alumnos tendrán la comprensión básica de los siguientes conceptos:
También adquirirán las siguientes habilidades:
Como parte de este módulo, aprenderá a trabajar de manera eficiente con conjuntos de datos geográficos vectoriales para poder extraer nueva información. Esto incluye una comprensión más profunda de qué son los datos vectoriales, qué estándares de calidad deben cumplir para que sean realmente útiles, cuáles son las operaciones más comunes que se realizan con datos vectoriales (geoprocesamiento, geoestadística).
Comencemos con un ejemplo: acabas de aterrizar para tu escapada urbana a Rosario, Santa Fé, Argentina y necesitas ir del aeropuerto a su hotel. No tienes conocimiento de dónde se encuentra el aeropuerto con respecto a la ciudad, ni dónde está el hotel, por lo que lo primero que debes hacer es abrir un mapa que te ayude a navegar por esta nueva y excitante ciudad. Sacas tu teléfono, abres una aplicación de mapas y seleccionas el punto de inicio - el aeropuerto - y el punto final - tu hotel - luego preguntas por la ruta, a pie, en coche o en transporte público. En cuestión de segundos, la aplicación de enrutamiento te ofrece la mejor solución para que puedas ir del punto A al punto B y lo resalta trazando una línea distinta siguiendo las calles y callejones, como se ve en la figura 8.1.
Figura 8.1 - Ir del punto A al B usando Openstreetmap
Este es un ejemplo clásico del uso de datos vectoriales y se divide en varios conceptos que definiremos a continuación.
Los datos utilizados son espaciales: tiene una ubicación muy bien definida en la Tierra, sus atributos también están bien identificados. Por lo tanto, un punto con longitud y latitud y el nombre de atributo = Aeropuerto Internacional de Clark - representa el punto de inicio A y un punto con otro par de longitud y latitud y el nombre de atributo = Hotel Boss representa el punto final B. Las calles están representadas por líneas compuesto por segmentos y vértices (representados por pequeños círculos azules en la figura 8.2), con atributos como nombre, dirección, limitación de velocidad, etc.
Figura 8.2 - Líneas vectoriales que representan calles y la tabla de atributos asociada. Las calles representan un modelo de red que es básicamente una colección de entidades puntuales y lineales topológicamente interconectadas. Los resultados del algoritmo que calcula la ruta del punto A al punto B - en nuestro caso del aeropuerto al hotel - dependen en gran medida de la calidad de los vectores, tanto en geometría - se respetan las reglas de topología - como en atributos - si una carretera es unidireccional y debe indicarse para que la ruta no lo lleve por el camino equivocado.
Como se presentó en el módulo 0, hay 2 modelos de datos utilizados en un sistema de información geográfica: SIG: raster y vectorial. Los datos geoespaciales siempre incluyen un componente espacial que indica la ubicación o la distribución espacial del fenómeno en cuestión y un componente de atributo que describe sus propiedades. La elección entre utilizar el modelo de datos ráster o vectorial para una situación particular depende de la fuente de los datos, así como de su uso previsto.
El modelo de datos vectoriales se utiliza para representar áreas, líneas y puntos (Figura 8.3).
Figura 8.3 - Datos vectoriales con tabla de atributos
Los metadatos se definen más simplemente como datos sobre datos. Caracterizan, en diferentes niveles de detalle, el conjunto de datos al que están asociados, incluyendo categorías como: quién es el proveedor / propietario del conjunto de datos, cuál es la licencia, en qué idioma están escritos los atributos, cuál era el sistema de coordenadas utilizado, qué área geográfica describe y cuál es el año de referencia, palabras clave, cuáles son las limitaciones conocidas, nivel de precisión, cuál era el alcance original del conjunto de datos y muchos más.
Los metadatos son primordiales porque una comprensión clara de los datos que se utilizarán en un análisis específico puede marcar la diferencia entre una decisión correcta o sesgada. Si uno debe identificar dónde colocar un nuevo hospital temporal, pero los datos de la carretera son antiguos y ya no reflejan la realidad en el sitio, entonces cualquier decisión basada en ellos será inexacta.
Debido a la importancia de los metadatos, sus categorías (sus definiciones, nombre, qué tipo de información pueden almacenar, etc.) siguen estructuras bien definidas y estandarizadas. Estos archivos de metadatos bien estructurados pueden luego integrarse en catálogos dedicados, lo que permite a un usuario buscar y encontrar datos geográficos solo consultando las características que le interesan, sin descargar y analizar los datos por sí misma. Existen numerosos catálogos de metadatos y, cuando están estandarizados, se puede acceder a ellos a través de diferentes funcionalidades dentro del software SIG. Un ejemplo de eso se presentará en el Módulo 9 Complementos de QGIS.
Hay que decir que los metadatos no son una especificidad de los recursos geoespaciales, pero se aplican a cualquier tipo de datos.
El poder de los SIG radica en su capacidad única de conectar propiedades geométricas que definen objetos y fenómenos reales en nuestro mundo y sus atributos - ya sean observados, medidos o calculados - y permitiendo a través de software especializado realizar operaciones en sus geometrías, en sus atributos o ambos para obtener nueva información valiosa.
Aunque en la mayoría de los casos, los SIG están estrechamente asociados con mapas que simplemente muestran información geográfica, sus funcionalidades van mucho más allá de la creación de representaciones cartográficas, ya sean dinámicas o estáticas.
El análisis de datos espaciales (sinónimos: análisis espacial, análisis geoespacial, análisis geográfico, interacción espacial) es un término general que se refiere a cualquier técnica diseñada para identificar patrones, detectar anomalías y probar teorías basadas en datos espaciales. Un análisis es espacial si y solo si los resultados son sensibles a la reubicación de los objetos analizados; en pocas palabras, la ubicación importa. A medida que evolucionó la tecnología de la información, los científicos comenzaron a aplicar diversas técnicas, desde la literatura de estadística, geometría, topología y otras ciencias al análisis de datos geográficos para estudiar patrones y fenómenos en la superficie de la Tierra.
Geoestadística es una rama de las estadísticas que se aplica a los datos espaciales. Los métodos empleados más comunes están relacionados con la interpolación, que es un proceso matemático que permite la estimación de valores desconocidos en base a los conocidos.
La topología es una rama de las matemáticas que permite al usuario de SIG controlar las relaciones geométricas entre características y mantener la integridad geométrica. La topología se entiende mejor como un conjunto de reglas que aseguran la calidad de los datos espaciales que se pueden aplicar a la misma capa vectorial o más. Las reglas están diseñadas para respetar las relaciones del mundo real que representan las capas vectoriales. Por ejemplo, no puede haber espacios entre los polígonos que representan parcelas catastrales en una región, o ningún punto perteneciente a la capa vectorial que representa árboles individuales no puede estar contenido en ningún polígono de la capa vectorial que representa edificios dentro de una región.
El software SIG ofrece funcionalidades que permiten al usuario definir reglas de topología relevantes, así como algoritmos para verificar si se aplican y limpiar la capa vectorial donde se identifican inconsistencias.
El geoprocesamiento es un término general que se utiliza para definir cualquier operación (proceso) que se aplica a un conjunto de datos geográficos, con el alcance de obtener un conjunto de datos derivado que abre nuevas perspectivas sobre los datos. Las operaciones comunes de geoprocesamiento son la superposición de características geográficas, la selección y análisis de características, el procesamiento de topología y la conversión de datos. El geoprocesamiento permite definir, administrar y analizar información geográfica para respaldar la toma de decisiones.
Figura 8.4: elementos de una operación de geoprocesamiento
Hay muchas operaciones de geoprocesamiento que se pueden realizar en datos vectoriales, entre las que se incluyen la superposición de características geográficas, la selección y análisis de características, el procesamiento de topología y la conversión de datos. En esta primera fase, nos familiarizaremos con algunos de ellos, entendiendo cómo funcionan y qué resultados podemos esperar.
Abra QGIS, configure el sistema de referencia de coordenadas en el que trabajará - EPSG:5345 - y agregue las siguientes capas de datos:
En este punto, la ventana de su mapa QGIS debería verse como en la figura 8.5, por supuesto, lo más probable es que en otros colores.
Figura 8.5 - Conjuntos de datos vectoriales cargados: puntos, líneas y polígonos
¡Compruebe! Todas las capas están en el mismo sistema de coordenadas (EPSG:5345) mirando en la esquina derecha inferior. Si es así, entonces está viendo 7 capas de datos vectoriales superpuestas.
En este punto, tenemos 7 capas vectoriales cargadas en nuestro proyecto QGIS. Los próximos pasos nos ayudarán a comprender nuestros datos.
Compruebe cuántas características tenemos en una capa; hay varias formas de hacerlo:
Antes de ejecutar cualquier estadística básica, completemos la tabla de atributos con algunos atributos geométricos (consulte el Módulo 6 para obtener más detalles):
round($length, 2)
round($area, 2)
Ahora, los campos de atributo están llenos, pero si no está seguro de en qué unidad de medida QGIS ha calculado la longitud de los segmentos de carreteras y las áreas de los edificios, la verificación de la información del sistema de coordenadas podría ayudarte.
Haga clic en la esquina inferior derecha de la ventana del mapa QGIS, en EPSG:5345 y aparecerá una ventana como la de la figura 8.6.
Figura 8.6 - Especificaciones del sistema de referencia de coordenadas utilizado en el proyecto QGIS
Así, encontramos que la unidad de medida es el metro, por lo tanto las longitudes se miden en metros y las áreas en metros cuadrados.
Ejecute estadísticas básicas en las capas cargadas para controlar mejor sus datos (figura 8.7):
Figura 8.7 - Estadísticas básicas para campos
Las estadísticas devueltas dependen del tipo de campo que elegimos y se generan como un archivo HTML.
Ejecútelo en nuestra capa de carreteras y veamos qué resultados obtenemos. Complete la ventana, como en la figura 8.8.
Figura 8.8 - Preparación para ejecutar estadísticas básicas para la capa de carreteras
El archivo de salida es un html que se puede abrir con cualquier navegador (Firefox, Chrome, Safari, etc.) que debería verse a continuación:
Campo analizado: longitud
Recuento: 91716
Valores únicos: 59262
Valores NULOS (faltan): 0
Valor mínimo: 0.16
Valor máximo: 111147.86
Intervalo: 111147.7
Suma: 95435635.54999979
Valor medio: 1040.556015853284
Mediana: 249.09
Desviación estándar: 2600.362277406611
Coeficiente de variación: 2.499012295147075
Minoría (valor más raro presente): 0.16
Mayoría (valor presente con más frecuencia): 35.78
Primer cuartil: 97.555
Tercer cuartil: 709.805
Intervalo intercuartil (IQR): 612.25
A partir de estas estadísticas básicas, encontramos que hay 91716
tramos de carretera en la capa cargada, donde el más corto tiene 0,16
my el más largo 111147,86
m - mas de 111 km. Descubrimos que la suma de carreteras en Santa Fe es de casi 95 mil km (95.435.635,55
m). Dado que la media es mayor que la mediana, nos dice que la segunda mitad del conjunto de datos contiene segmentos de carretera más largos y que supera los segmentos de carretera en la primera mitad. Sin embargo, la mediana muestra que la mayoría de los tramos de carretera tienen una longitud de alrededor de 250 m.
Ejecutando las estadísticas básicas en la capa Edificios para el campo type, obtenemos lo siguiente:
Campo analizado: type
Recuento: 24437
Valores únicos: 70
Valores NULOS (faltan): 13894
Valor mínimo: abandoned
Valor máximo: warehouse
Longitud mínima: 0
Longitud máxima: 17
Longitud media: 3.2224086426320744
Los resultados no parecen iguales, no tenemos media, ni mediana ni desviación estándar. Esto se debe a que el campo de atributo en el que ejecutamos el algoritmo es diferente, no tenemos números, sino palabras, tipos de edificios. Descubrimos que de 24437
edificios en Santa Fe, para 13894
no sabemos el tipo de edificio. También descubrimos que hay 70 categorías únicas.
Los conjuntos de datos perfectos e impecables son el equivalente al gas ideal en física. No existe tal cosa, pero muchos pueden acercarse bastante. Por tanto, antes de hacer cualquier tipo de análisis para extraer información, al menos son necesarias algunas comprobaciones básicas sobre qué tan limpios están los datos que tenemos.
Existen muchos tipos de errores que pueden afectar la calidad de tus datos y, dado el alcance de tu análisis geoespacial, su influencia en el resultado final puede ser más o menos importante. Por ejemplo, si utiliza datos geoespaciales para enrutar desde el punto A al punto B en automóvil, entonces tener una capa de carreteras completa con atributos en los que las calles son de una sola vía o cerradas al tráfico rodado, es esencial para obtener un resultado viable. Sin embargo, si su ruta es a pie, entonces esa información no es crucial para su resultado.
Cuando se hace referencia a errores de datos geoespaciales, hay 2 términos principales que deben entenderse bien:
La exactitud es el grado en que la información de un mapa coincide con los valores del mundo real y se aplica tanto a la geometría como a los atributos.
La precisión se refiere al nivel de medición y exactitud de la descripción en un conjunto de datos geoespaciales.
Un error abarca tanto la imprecisión de los datos como sus inexactitudes. ** La calidad de los datos ** se refiere al nivel de precisión y exactitud de los conjuntos de datos y, con mayor frecuencia, se documenta en los informes de calidad de los datos.
Analizar y limpiar un conjunto de datos geoespaciales puede ser una tarea engorrosa y que consume mucho tiempo, sin embargo, como se muestra en el ejemplo anterior, es esencial. En esta sección, presentamos algunas funcionalidades de SIG que permiten al usuario realizar verificaciones rápidas de datos vectoriales y sacar un conjunto de conclusiones preliminares sobre su calidad.
Comprobaciones de topología.
QGIS ofrece una funcionalidad central que permite al usuario realizar una serie de comprobaciones topológicas en los conjuntos de datos vectoriales cargados, denominada Topology Checker. Se puede encontrar como uno de los paneles (figura 8.9.a) y una vez activada su ventana se ve como en la figura 8.9.b.
Figure 8.9.a - Topology checker plugin
To show the Topology Checker, enable it as a panel under View ‣ Panels ‣ Topology Checker (figure 8.9.b). If it does not appear in the Panels menu, you can enable it by clicking the Topology Checker button on the Plugins toolbar. Once activated it’s window looks like in figure 8.9.c.
Figura 8.9.b - Panel de verificación de topología;
Figura 8.9.c - Ventana del verificador de topología
To define the topology rules, click on the third icon , opening a window as in figure 8.10.
Figura 8.10 - Ventana de configuración de reglas de topología
Estableceremos una serie de reglas para las capas que hemos cargado en nuestro proyecto QGIS, considerando los objetos del mundo real que representan: carreteras, edificios, líneas fluviales en la provincia de Santa Fe.
La configuración de la topología es sencilla, ya que las reglas que se pueden aplicar en función de la capa seleccionada ya están integradas en esta funcionalidad, como se muestra en la figura 8.11.
Figura 8.11 - Menú desplegable de reglas de topología según la capa seleccionada.
Elija las reglas de topología como se muestra en la figura 8.12, luego haga clic en el primer icono de la ventana para ejecutar y espere los resultados.
Figura 8.12 - Reglas de topología que se establecerán
Click on the first icon on the Topology Checker window to run and wait for the results. After running the topology check, your map windows should look like in figure 8.13.
Figura 8.13 - Resultados de la comprobación de topología
En la esquina inferior derecha, la ventana del comprobador de topología enumera todos los errores identificados según las reglas que hemos definido en la fase anterior. Si la casilla de verificación Mostrar errores está marcada, los errores se resaltarán en rojo en el mapa. Al hacer doble clic en un error seleccionado, se moverá el mapa a su ubicación.
El proceso de corregir los errores en un conjunto de datos, ya sea relacionado con la geometría (duplicados, huecos, etc.) o en el atributo relacionado (valores faltantes, mal escrito, etc.) se denomina limpieza de un conjunto de datos y la mayoría de las veces es tan engorroso como necesario. Aunque existen funcionalidades para respaldar un proceso de limpieza semiautomático, a menudo es necesaria la entrada del usuario. Por ejemplo, en la figura 8.14, hemos ampliado un error en nuestra capa de puntos de interés, un punto duplicado. Como se puede ver, hay 2 puntos que representan un restaurant que se llama Tomasso.
Figura 8.14 - Error de punto duplicado en la capa vectorial de puntos de interés
En este caso particular, la decisión del usuario probablemente sería eliminar el punto duplicado, ya que puede insertar un error en un análisis espacial posterior. Por ejemplo, si un funcionario de la ciudad quiere saber cuántos restaurantes y cafés hay en un vecindario específico, el punto duplicado insertará un error en los resultados y eso eventualmente podría llevar a decisiones engañosas.
Por tanto, procederemos a la eliminación automática de los puntos duplicados. Para hacerlo, usaremos una funcionalidad central de QGIS - Eliminar geometrías duplicadas - que se encuentra en la caja de herramientas de procesamiento. Su QGIS debería verse como en la figura 8.15.
Figura 8.15 - Eliminar geometrías duplicadas en puntos de interés de capa
Después de ejecutar el algoritmo, la ventana de funcionalidad presenta los resultados, ha identificado 50 puntos duplicados, al igual que el verificador de topología, e informa al usuario que los ha eliminado todos, dejando el Capa de puntos de interés con 8416 entidades.
Figura 8.16 - Resultado de ejecutar eliminar geometrías duplicadas
Volver a ejecutar el verificador de topología dará como resultado un resultado de 0 errores con respecto a la regla de topología de no duplicados geométricos para la capa de puntos de interés.
¡Atención! El algoritmo considera solo geometrías, ignorando el atributo. Si, tal es nuestro caso, existen algunas diferencias en el atributo de los duplicados, el usuario no tiene control sobre cuál se mantendrá. Por lo tanto, si es necesario conservar toda la información, primero debe copiarse en todas las geometrías, de modo que cuando se elimine una entidad duplicada no se pierda información.
Ejecutemos otra verificación de topología, esta vez en nuestra capa de usos del suelo (landuse). Configure las siguientes reglas:
Figure 8.17a - Topology checker rules on the buildings vector layer
Ejecute el algoritmo.
El resultado debería parecerse a la figura 8.17b.
Figura 8.17b - Resultados de la verificación de topología en la capa vectorial de edificios
Limpie la entidad duplicada mediante el proceso indicado anteriormente (figura 8.18a)
Figure 8.18a - Remove duplicate geometries on the buildings vector layer
Figura 8.18b - Resultados de Eliminar geometrías duplicadas
Una limpieza completa de los conjuntos de datos vectoriales utilizados para este módulo está fuera de alcance. Su complejidad lo transforma en un módulo más avanzado en sí mismo.
Ejecutemos un algoritmo más para tener una idea de cuáles son los atributos de nuestras capas de Pampanga. Una vez que hayamos identificado cuántas características tiene cada capa, veamos cuántas y cuáles son los atributos únicos en los siguientes casos:
Para eso, vaya a Vector ‣ Herramientas de análisis ‣ Lista de valores únicos (figura 8.19a)
Figura 8.19a - Lista de valores únicos en una funcionalidad de capa vectorial
En la ventana que se abre, inserte, uno a la vez, cada nombre de capa y atributo de interés como enumerados en la lista anterior y debería tener los siguientes resultados:
Figure 8.19b - List unique values in a vector layer functionality (Batch Processing)
Nombre de capa | Cantidad de valores únicos | Valores únicos |
osm_buildings | 70 | desused; NULL; shed; stable; religious; toilets; church; hotel; silo; stilt_house; cabin; temple; college; abandoned; ruins; chapel; roof; transportation; storage_tank; boathouse; hospital; manufacture; utility; stadium; theatre; grandstand; garages; parking; house; disused; service; kiosk; farm; civic; hangar; garage; school; construction; gasometer; bungalow; greenhouse; industrial; hut; apartments; barn; university; public; office; residential; sports_centre; boat_storage; pavilion; detached; commercial; cathedral; no; farm_auxiliary; station; retail; warehouse; kindergarten; apartment; carport; collapsed; government; transformer_tower; terrace; shrine; supermarket; train_station |
osm_pois_limpia | 123 | archaeological; police; hairdresser; shelter; town_hall; chemist; sports_shop; track; park; observation_tower; swimming_pool; guesthouse; hospital; camera_surveillance; dentist; beverages; kiosk; veterinary; wayside_cross; school; vending_parking; fountain; car_dealership; vending_any; garden_centre; telephone; fast_food; attraction; bicycle_shop; bookshop; water_works; golf_course; nightclub; pub; biergarten; water_tower; bank; monument; courthouse; atm; library; tower; travel_agent; stadium; post_office; restaurant; outdoor_shop; artwork; embassy; memorial; motel; car_wash; drinking_water; battlefield; kindergarten; greengrocer; post_box; wastewater_plant; computer_shop; mall; supermarket; toilet; cafe; theme_park; prison; recycling_glass; hostel; recycling_clothes; comms_tower; optician; hotel; chalet; laundry; doityourself; stationery; tourist_info; college; ruins; convenience; arts_centre; windmill; wayside_shrine; water_well; vending_machine; viewpoint; dog_park; bar; camp_site; beauty_shop; playground; alpine_hut; university; mobile_phone_shop; butcher; sports_centre; pharmacy; jeweller; bakery; clothes; car_rental; recycling; shoe_shop; waste_basket; bicycle_rental; pitch; bench; food_court; gift_shop; department_store; cinema; caravan_site; fire_station; toy_shop; theatre; furniture_shop; picnic_site; recycling_paper; doctors; newsagent; community_centre; nursing_home; florist; museum |
osm_waterways | 4 | stream; canal; drain; river |
osm_pofw | 6 | christian_orthodox; christian; christian_protestant; christian_evangelical; christian_catholic; jewish |
osm_roads | 27 | track_grade3; path; primary; track_grade2; secondary; track; bridleway; pedestrian; living_street; tertiary_link; tertiary; trunk; trunk_link; track_grade5; service; track_grade4; primary_link; unknown; footway; motorway_link; steps; residential; unclassified; motorway; cycleway; track_grade1; secondary_link |
osm_landuse_limpia | 20 | allotments; forest; quarry; park; meadow; farmland; orchard; recreation_ground; military; farmyard; industrial; nature_reserve; grass; residential; scrub; commercial; retail; vineyard; heath; cemetery |
Tabla 8.1 - Tabla que identifica cuántos y cuáles son los valores únicos para los atributos seleccionados
Para un análisis más profundo de los atributos de nuestras capas vectoriales, usaremos el complemento Group Stats. Fue desarrollado para admitir el cálculo de estadísticas para grupos de características en una capa vectorial, lo que lo hace muy útil para comprender mejor sus datos, así como para detectar posibles errores en los atributos.
Para abrir la ventana Group Stats, vaya a Vector ‣ Group Stats ‣ GroupStats.
Figure 8.20a - GroupStats plugin
Debería abrirse una nueva ventana como la de la figura 8.20b.
Figura 8.20b - Ventana Group Stats
Según el análisis realizado anteriormente, hemos visto que para los edificios de capa tenemos 74 tipos diferentes de edificios, pero ¿cuántos de cada uno y cuál es el área construida total tomada por cada categoría? ¿Cuánto espacio para escuelas, mercados, casas? Group Stats puede ayudarnos a responder esta pregunta. En el lado derecho de la ventana, está el panel de control, donde elegimos lo que queremos calcular, así como cómo se deben ordenar los datos. Usando arrastrar y soltar, siga la disposición en la figura 8.21, luego presione calcular.
Figura 8.21 - Ejecución de Group Stats en la capa de edificios.
Al observar el resultado, podemos extraer información importante sobre nuestros datos. Por ejemplo, para fines residenciales en la región provincia de Santa Fe, contamos con 13.894 edificios con una superficie total construida de 17.612.835,95 metros cuadrados, aprox. 1762 hectáreas. También averiguamos que el más grande tiene 219709 metros cuadrados mientras que el más pequeño tiene menos de 1 metro cuadrado. Y se puede continuar el análisis para obtener más información valiosa.
Otro análisis interesante se puede ejecutar en la capa vectorial de carreteras. La figura 8.22 muestra cómo calcular las longitudes de las carreteras clasificadas por tipo de carretera (primaria, residencial, autopista, etc.) y la velocidad máxima permitida.
Figura 8.22 - Ejecución de Group Stats en la capa de carreteras.
La primera fase del módulo de vectores hizo una breve introducción a los pasos que se deben realizar para tener una comprensión básica de los datos geoespaciales que se tienen a mano.
Esta segunda fase del módulo lo lleva a un trabajo más profundo para procesar datos vectoriales con el fin de extraer información valiosa para ayudar a la toma de decisiones. Siguiendo los conceptos descritos al comienzo de este módulo, el geoprocesamiento representa cualquier proceso aplicado a un conjunto de datos geográficos, con el alcance de obtener un conjunto de datos derivado que abre nuevos conocimientos sobre los datos. Y esto es lo que intentaremos hacer a continuación.
Hay muchas operaciones que se pueden realizar en uno o más conjuntos de datos geoespaciales y durante este primer paso, ejecutaremos algunas de las más comunes para comprender cómo funcionan.
Búfer Imagina que necesitas analizar una nueva legislación que pide que en un área de 30 metros1 alrededor de los lugares de culto no se pueda construir nada. Querrá ver dónde están exactamente esas delimitaciones y tal vez incluso cuántos metros cuadrados hay para su distrito. El primer paso es definir una zona de influencia alrededor de los lugares de culto: Vector, herramientas de geoprocesamiento, zona de influencia. Cuando se abra la ventana del búfer, configure los parámetros como en la figura 8.23:
Figura 8.23 - Configuración de los parámetros para un búfer de 30 m alrededor de los lugares de culto
Un detalle del resultado del geoprocesamiento se muestra en la figura 8.24:
Figura 8.24 - Búfer de una capa vectorial de puntos
Para responder completamente a la pregunta inicial, el siguiente paso es calcular las áreas para todas las zonas de influencia y resumirlas (ver Fase 1, paso 4) - figura 8.25.
Figura 8.25 - Calcule el área para la capa recién obtenida, luego calcule usando Group Stats la suma total.
Cortar. Imagine que desea saber dónde están todas las áreas industriales delimitadas en su distrito y también cuántos edificios hay dentro de ese perímetro. Al inspeccionar visualmente sus datos vectoriales, observe que tiene varias áreas industriales que contienen varios edificios. Desea separar esos edificios y usarlos más. El primer paso es seleccionar todas las características en la capa osm_landuse_limpia que tienen como atributo industrial (consulte el módulo 6 para saber cómo hacerlo). Luego, vaya a Vector ‣ Herramientas de geoprocesamiento ‣ Cortar y elija como capa para recortar osm_buildings. Sus resultados deberían verse como en la figura 8.27b.
Figure 8.26a - Select landuse fclass = industrial.
Figura 8.26b - Selección reducida de algunos edificios y uso de suelo industrial, por lo que el cálculo puede terminar más rápido.
Run the Clip algorithm. Make sure to check Selected features only box for the Overlay layer (landuse). This will ensure that only the currently selected features will be used for clipping and speed up the computations.
Figure 8.27a - Running the Clip algorithm
Después de ejecutar el algoritmo, sus resultados deberían verse como en la figura 8.27b. Los edificios recortados están coloreados de rosa. En el perímetro que hemos elegido hay 298 edificios que ocupan una superficie de casi 30 hectáreas. ¿Cuántos edificios industriales ha recortado?
Figura 8.27b - Resultados de la funcionalidad de clip
Polígonos de Thiessen (Voronoi). Imagine que tiene que tomar una serie de decisiones administrativas en su distrito en función de la cantidad de escuelas que hay y las áreas específicas a las que sirven. El análisis geoespacial puede ser de ayuda. Puede comenzar calculando los polígonos de Thiessen. Basado en un área que contiene al menos dos puntos, un polígono Thiessen es una forma bidimensional cuyos límites contienen todo el espacio que está más cerca de un punto dentro del área que cualquier otro punto sin el área. Un buen ejemplo de uso es la meteorología, donde las estaciones meteorológicas son puntos discretos, pero se considera que la información recopilada se mide en la superficie en función de los polígonos de thiessen.
Para responder a la pregunta anterior, ejecutaremos el algoritmo solo para los puntos que cumplan con “fclass” = ‘school’. Por lo tanto, haga la selección como se indica en el módulo 6. Debería tener 519 entidades seleccionadas en la capa osm_pois. Vaya a Vectorial ‣ Herramientas de geometría ‣ Polígonos de Voronoi… Después de configurar los parámetros, seleccione la capa de puntos para la que queremos que se calculen los polígonos de Voronoi y una extensión del 30% para que toda la provincia de Santa Fe esté contenida, debería ver un resultado como en la figura 8.28d.
Figure 8.28a - Filtering the poi layer to get all schools
Figure 8.28b - All schools in the poi layer
Figure 8.28c - Running the Voronoi polygon algorithm
Figura 8.28d - Resultados de la aplicación del algoritmo de polígonos de Thiessen (Voronoi) a una capa vectorial de puntos
A veces, las necesidades imponen el requisito de tener información en áreas más pequeñas, claramente definidas e iguales y no para toda una gran región, como un país o una gran ciudad. Por lo tanto, los datos deben analizarse y visualizarse de manera dividida y bien definida, lo que permite una comparación que, de otro modo, podría resultar difícil sin una referencia común.
Supongamos que tiene que presentar un informe que permitirá realizar comparaciones para unidades de 10X10 km sobre la unidad administrativa, incluyendo:
Hemos visto que existen herramientas que pueden ayudarnos a calcular la superficie total ocupada por un cierto tipo de característica, sin embargo, el primer paso es crear nuestras unidades 10X10: cuadrículas de celdas. Para hacerlo, vaya a: Vectorial ‣ Herramientas de investigación ‣ Crear cuadrícula. Establezca los parámetros en: tipo de cuadrícula - Rectángulo (polígono), Extensión de la cuadrícula - desde la capa de Provincia, Espaciado horizontal - 10 km, Espaciado vertical - 10 km y debería obtener un resultado como en la figura 8.29.
Figura 8.29 - Creación de una cuadrícula vectorial de 10X10km para la provincia de Santa Fe
You should get a result like in figure 8.29b.
Figure 8.29b - 10X10km vector grid for Santa Fe
Para avanzar más en la respuesta a las preguntas de nuestro ejercicio, debemos hacer lo siguiente:
Los espacios verdes y los espacios construidos son datos contenidos por la capa vectorial osm_landuse, tipo polígono. Para saber exactamente cuáles son los ‘espacios verdes’, necesitamos ver cuáles son las categorías incluidas en el conjunto de datos. Para eso, ejecutamos el algoritmo de lista de valores únicos en el atributo fclass y descubrimos que tenemos las siguientes clases ‘verdes’: forest; quarry; park; meadow; farmland; orchard; recreation_ground; farmyard; industrial; nature_reserve; grass; scrub; vineyard y las siguientes clases de ‘espacio construido’: military; residential; commercial; retail; heath; allotments; cemetery. La figura 8.30b presenta una visualización de nuestras selecciones:
Figure 8.30a - Filtering green areas and built-up space in Santa Fe
Figura 8.30b - Distribución espacial de las áreas verdes y el espacio edificado en Santa Fe
El segundo paso para responder al requisito es identificar cuánto espacio verde y cuánto espacio construido hay en cada 10 x 10 km. Para obtenerlo, debemos intersecar las 2 capas vectoriales de polígonos superpuestas. El algoritmo extrae las porciones superpuestas de entidades en la entrada, la capa de uso del suelo y la capa de superposición, la capa de cuadrícula. Vaya a Vectorial - Herramientas de geoprocesamiento - Intersecar. Establezca los parámetros del algoritmo como en la figura 8.31.
Figura 8.31 - Parámetros para el algoritmo de intersección
El resultado debería verse como en la figura 8.32. Tenga en cuenta que el algoritmo de intersección se aplicó a toda la capa osm_landuse, que contiene más características que las que seleccionamos para nuestro ejercicio.
Figura 8.32 - Resultado de ejecutar el algoritmo de intersección para recortar los polígonos vectoriales de uso del suelo a la capa de la cuadrícula.
Ahora, para cada unidad de 10 x 10 km, tenemos las características de uso del suelo con las que podemos trabajar. La tabla de atributos también almacena esta información, ya que cada celda de la cuadrícula (unidad) tiene una identificación única, consulte la figura 8.33.
Figura 8.33 - Características del uso del suelo recortadas por cada celda de la cuadrícula y su tabla de atributos asociada.
Ahora que tenemos todas las características de uso del suelo por unidad de 10 x 10 km, continuaremos separando las geometrías de las que componen el espacio verde y el espacio edificado como se definió anteriormente, para cada celda de la cuadrícula. Por lo tanto, para el espacio verde, seleccionaremos todas las características que tengan el valor de atributo para fclass: forest; quarry; park; meadow; farmland; orchard; recreation_ground; farmyard. En la tabla de atributos, en la expresión, escriba: “fclass” = ‘forest’ OR “fclass” = ‘quarry’ OR “fclass” = ‘park’ OR “fclass” = ‘meadow’ OR “fclass” = ‘farmland’ OR “fclass” = ‘orchard’ OR “fclass” = ‘recreation_ground’ OR “fclass” = ‘farmyard’ y exporte las objetos seleccionados como espacios_verdes_cuadriculados (consulte el módulo 6 para obtener más detalles). Su nueva salida debería tener 12260 objetos. Haga lo mismo con el espacio construido. Seleccione las características en osm_landuse que tienen el valor de atributo para fclass lo siguiente: industrial; nature_reserve; grass; scrub; vineyard; military; residential; commercial; retail; heath; allotments; cemetery, escribiendo la siguiente expresión en la ventana de filtro basado en Expresión: “fclass” = ‘industrial’ OR “fclass” = ‘nature_reserve’ OR “fclass” = ‘grass’ OR “fclass” = ‘scrub’ OR “fclass” = ‘vineyard’ OR “fclass” = ‘military’ OR “fclass” = ‘residential’ OR “fclass” = ‘commercial’ OR “fclass” = ‘retail’ OR “fclass” = ‘heath’ OR “fclass” = ‘allotments’ OR “fclass” = ‘cemetery’. Seleccione las geometrías filtradas y expórtelas como espacios_construidos_cuadriculados. Su nueva salida debería tener 4973 funciones.
Alternatively, you can also use a filter instead of a selection.
Figure 8.34a - Selecting the green spaces.
Figure 8.34b - Selected green spaces.
Figure 8.34c - Green and Built-up spaces.
A continuación, calcule el área ocupada por cada característica de las 2 capas. Vaya a la tabla de atributos de cada capa y luego agregue el área de la columna geométrica insertando la expresión round($area, 2)
en la calculadora de campo. (consulte el módulo 6 para obtener más detalles, si es necesario). Sin embargo, la cuadrícula de 10X10km de la provincia de Santa Fe tiene un número conocido de celdas de cuadrícula, y eso es 3066. Por lo tanto, necesitamos resumir las áreas para todo tipo de espacios verdes (bosques, parques, etc.) y espacios urbanizados (comerciales , residencial, etc.) y únala en consecuencia a las 42 celdas de la cuadrícula. Para hacer esto, usaremos el complemento Group Stats para resumir para cada id_cuadrícula todas las categorías verdes, respectivamente todas las categorías construidas. Para la capa vectorial espacios_verdes_cuadriculados, configure los parámetros como en la figura 8.34e.
Figure 8.34d - Computing the area of each feature.
Figura 8.34e - Configuración de los parámetros de Group Stat para resumir las áreas verdes por cada celda de cuadrícula de 10X10km.
Luego, guarde los resultados como un archivo .csv llamado espacios_verdes_cuadriculados. Vaya al menú Data - Save all to CSV file.
Ejecute GroupStats para el espacio construido de la misma manera y luego guárdelo como un archivo csv llamado espacios_construidos_cuadriculados.
A continuación, traeremos los 2 archivos csv calculados con Group Stat a QGIS (Capa - Agregar capa - Agregar capa de texto delimitado - vea más detalles en el módulo 2).
Figure 8.35a - Loading green_spaces_gridded CSV
Figure 8.35b - The green_spaces_gridded CSV attribute table
A continuación, debemos unir los espacios calculados (verdes y urbanizados) a cada cuadrícula de celdas de 10x10 km. Para eso, seleccione la capa vectorial Cuadrícula, abra la ventana de propiedades y vaya a Uniones. Esta funcionalidad le permite unirse por un campo de atributo común, otros. En nuestro caso, utilizando el valor común de cuadrícula_id uniremos, la suma de las áreas edificadas y los espacios verdes de los 2 archivos csv obtenidos en la etapa anterior.
En la ventana Unir, presione el botón verde más abajo y configure los parámetros como en la figura 8.35c, para espacios verdes. Luego repita para espacios construidos.
Figura 8.35c - Configuración de los parámetros para unir por campo común grid_id / id las sumas de espacios verdes y construidos para cada celda de la cuadrícula - unidad de 10X10km.
Repeat for built-up spaces.
Los resultados de las dos combinaciones son visibles en la tabla de atributos, como se puede ver en la figura 8.36. Hemos mantenido el grid_id en ambas combinaciones, para asegurarnos de que no se produzcan errores. Podemos verificar visualmente rápidamente para asegurarnos de que los 3 campos de atributos: id, verdes_grid_id y construidos_grid_id sean exactamente iguales.
Figure 8.36a - Green and built-up CSV joined to Grid.
Figura 8.36b - Tabla de atributos de la capa vectorial Cuadricula que contiene las áreas totales para espacios verdes y construidos.
Como hemos reunido toda la información necesaria para los espacios verdes y construidos en la tabla de atributos de la capa de la cuadrícula, todo lo que tenemos que hacer es calcular el porcentaje de estos espacios dentro de la celda de la cuadrícula de 10X10 km. Lo calcularemos usando la calculadora de campo, usando la siguiente expresión: ` (“verdes_None” * 100/$area) y
( “construidos_None” * 100/$area). A continuación, añadimos un nuevo campo en el que calculamos el informe del "verdes_por" / "constr_por" , y así llegar a la respuesta a nuestra solicitud: ratio espacios verdes (parques, bosques) espacio edificado por unidad:
“verdes_por” / “constr_por” `. To have a clear overview of our dataset, in cases where there is no built-up space in the grid cell - we insert the value 1000 in the attribute table, in cases where there is no green space, we will insert value 999, while in case both values are NULL then we insert 1001. For this we can use the expression:
CASE
WHEN (greenPer is NULL) and (builtupPer is not NULL) then 999
WHEN (builtupPer is NULL) and (greenPer is not NULL) then 1000
WHEN (greenPer is NULL) and (builtupPer is NULL) then 1001
ELSE round(greenPer / builtupPer, 5)
END
El resultado final se vería como en la figura 8.37e.
Figure 8.37a - Percentage of green area in the 10km x 10km grid
Figure 8.37b - Computed percentage of green and built-up area
Figure 8.37c - Computing for the ratio of green and built-up areas
Figure 8.37d - Computed ratio of green and built-up areas
Figura 8.37e - Distribución espacial de la ración de espacios verdes vs urbanizados por 10X10 km en Santa Fe
Para lograr esta tarea, QGIS ofrece un algoritmo que toma una capa de polígono y una capa de línea y mide la longitud total de líneas y el número total de ellas que cruzan cada polígono. La capa resultante tiene las mismas características que la capa de polígono de entrada, pero con dos atributos adicionales que contienen la longitud y el recuento de las líneas en cada polígono. Vaya a Herramientas de análisis - Sumar longitudes de línea y configure los parámetros de la siguiente manera: polígonos - Cuadricula, osm_roads, longitud de líneas nombre de campo - caminosL, recuento de líneas nombre de campo - caminosC.
Puede crear una capa temporal o guardarla como un archivo en su computadora. Si para la representación utiliza rupturas naturales, su mapa debería verse como en la figura 8.38c.
Figure 8.38a - Sum Line Lengths parameters
Figure 8.38b - Road lengths and counts per Grid cell
Figura 8.38c - Distribución espacial de unidades de 10 X 10 km con la mayoría de las carreteras
Ahora, repita el mismo procedimiento para las longitudes de las vías fluviales en cada celda de cuadrícula. Ejecutar el proceso en el archivo de cuadrícula obtenido anteriormente le ayudará a tener toda la información obtenida hasta ahora adjunta a la misma geometría. Le recomendamos que guarde este archivo en su computadora con longitudes_de_linea_cuadriculadas. Si para la representación utiliza rupturas naturales, su mapa debería verse como en la figura 8.39.
Figura 8.39 - Distribución espacial de unidades de 10 x 10 km con la mayoría de las vías fluviales
Para contar el número total de edificios públicos en la unidad 10X10, usaremos osm_pois_limpia. Primero, ejecutamos Listar valores únicos … (Herramientas de análisis) y decidimos qué edificio consideramos público. Seleccionaremos de nuestra capa de datos de puntos vectoriales las siguientes características (ejemplo): “fclass” = ‘police’ OR “fclass” = ‘hospital’ OR “fclass” = ‘school’ OR “fclass” = ‘monument’ OR “fclass” = ‘courthouse’ OR “fclass” = ‘embassy’ OR “fclass” = ‘memorial’ OR “fclass” = ‘prison’ OR “fclass” = ‘playground’ OR “fclass” = ‘doctors’ OR “fclass” = ‘archaeological’ OR “fclass” = ‘university’ OR “fclass” = ‘town_hall’ OR “fclass” = ‘park’. Su selección debe tener 1514 objetos espaciales en total.
Figure 8.40a - Selecting towns and cities POI
Figure 8.40b - Selected towns and cities POIs
Para responder a nuestra solicitud, usaremos Contar puntos en un polígono, disponible en Herramientas de análisis. Este algoritmo toma una capa de puntos y una capa de polígono y cuenta el número de puntos del primero en cada uno de los polígonos del segundo. Se genera una nueva capa de polígonos, con exactamente el mismo contenido que la capa de polígonos de entrada, pero que contiene un campo adicional con el recuento de puntos correspondiente a cada polígono. Establece la capa de puntos en osm_pois_limpia y la capa de polígono la capa de cuadrícula con la información calculada en la ronda anterior. Para los puntos, marque la casilla de verificación Solo características seleccionadas, por lo que el algoritmo calcula solo los puntos seleccionados: los edificios públicos. Guarde el archivo de salida como info_cuadrícula.
Figure 8.40c - Count towns and cities POIs in each 10km x 10km grid
Figura 8.40d - Distribución espacial de la densidad de edificios públicos por unidad 10X10km
P: Si tengo 2 capas vectoriales, una representa la extensión de la ciudad en la que estoy trabajando y la segunda, las carreteras construidas en todo el país, ¿qué herramienta de procesamiento usaría para extraer solo las carreteras de mi ciudad: búfer o clip?
A: Clip.
P. ¿Es útil la herramienta de zona de influencia en el siguiente caso: tengo una capa vectorial poligonal con monumentos históricos en mi región y quiero dibujar un área de protección de 50 m alrededor de ellos?
A: Sí
P: ¿Cuál de las tres herramientas de geoprocesamiento usaría para fusionar dos capas vectoriales similares? ¿Polígonos de Voronoi, disolución, intersección?
A: Disolver.
La última fase del módulo de datos vectoriales introduce el concepto de estimación de datos. Estamos acostumbrados a estimar casi a diario sobre diversos temas, por ejemplo, cuánto tiempo se tarda en llegar de casa al trabajo en determinadas condiciones. Estamos acostumbrados a dar lo mejor de nosotros, basándonos en experiencias y corazonadas previas. Sin embargo, al estimar los datos faltantes, la mejor suposición se reemplaza por ecuaciones matemáticas muy bien definidas con limitaciones bien conocidas.
El tema requiere un conocimiento significativo en estadística y los resultados siempre deben ser considerados a la luz de sus limitaciones.
Dicho esto, presentaremos un breve ejemplo de estimación de datos que hará la transición al siguiente módulo: procesamiento de datos ráster.
La interpolación es un proceso matemático mediante el cual se pueden estimar los valores que faltan basándose en un número limitado de valores que existen. Y esas situaciones son comunes, imagine información meteorológica. Los datos sobre las temperaturas de la superficie y la cantidad de lluvia que ha caído se pueden medir solo en puntos específicos en estaciones meteorológicas calibradas, y no en la totalidad de la superficie. Sin embargo, no tenemos “puntos ciegos” sin temperaturas en los mapas que vemos en la sección meteo. Así, el resto de valores - como para construir los fenómenos sin fisuras - se obtienen por interpolación. El supuesto en el que se basa la interpolación es que los objetos distribuidos espacialmente están correlacionados espacialmente; en otras palabras, las cosas que están juntas tienden a tener características similares.
Hay muchos métodos de interpolación implementados en los paquetes de software GIS, decidir cuál es el mejor en cada caso particular depende de la especificidad de los datos, lo que representan y la comprensión geoestadística del usuario que realiza la interpolación.
Para comprobar rápidamente qué métodos de interpolación están disponibles en QGIS, vaya a la Caja de herramientas de procesamiento y escriba en la barra de búsqueda la interpolación de palabras clave. El resultado debería verse como en la figura 8.41.
Figura 8.41 - Métodos de interpolación disponibles en QGIS
Como se puede observar, a través de QGIS el usuario tiene acceso a otros algoritmos, implementados en GRASS o SAGA, como resultado de la integración en QGIS de estas (y otras) soluciones de software muy potentes.
Profundizar en las matemáticas detrás de cada algoritmo de interpolación está más allá del alcance de este módulo. Sin embargo, con fines de demostración, simularemos la interpolación de datos de precipitación para obtener un conjunto de datos transparente sobre la cantidad de precipitaciones caídas en nuestra área de interés, el Departamento de Rosario.
Como el ejercicio es puramente para mostrar, crearemos nuestro propio conjunto de datos de puntos, para representar las estaciones meteorológicas donde se han registrado los valores de precipitación durante el transcurso de una semana.
Por lo tanto, el primer paso es crear una nueva capa vectorial - tipo de punto - con puntos asignados aleatoriamente dentro de la extensión del Departamento de Rosario. Hay varias formas de hacerlo, ya sea con el algoritmo de Puntos aleatorios en polígonos … o con el algoritmo Puntos aleatorios en límites de capa … Ir a Vector ‣ Herramientas de investigación ‣ Puntos aleatorios en polígonos…. También puede buscar el algoritmo en la caja de herramientas de procesamiento o en la barra de localización. Elegir como parámetros:
El resultado debería verse como en la figura 8.42.
Figura 8.42 - Creación de puntos aleatorios dentro de una capa de polígono
La capa de puntos resultante se verá aproximadamente como en la figura 8.43.
Figura 8.43 - Capa de datos de puntos: creada aleatoriamente dentro de polígonos especificados.
Ahora que tenemos nuestras estaciones meteorológicas imaginarias que miden las precipitaciones en el Departamento de Rosario, continuaremos agregando medidas ficticias en el transcurso de 7 días.
Para hacer eso, podemos usar la función aleatoria proporcionada por QGIS. Abra la tabla de atributos de la capa de datos de puntos creada y la calculadora de campo. En un campo recién creado (entero entero), inserte la siguiente fórmula rand (min, max), donde min y max serán reemplazados por el siguiente par de números para los 7 días correspondientes (ver figura 8.44):
Figura 8.44 - Creación de valores aleatorios dentro de los límites especificados
Después de agregar las 7 columnas, su tabla de atributos debería verse como en la figura 8.45.
Figura 8.45 - Datos de precipitación ficticios para las 93 estaciones meteorológicas ficticias en el Departamento de Rosario.
A continuación, interpolamos estos valores para cada uno de los 7 días para obtener una capa perfecta que cubra todo el territorio del departamento. Dado que la operación es repetitiva, usaremos procesamiento por lotes. El método de interpolación seleccionado, ¡estrictamente para fines de demostración! - es IDW - ponderado por distancia inversa.
Establezca los siguientes parámetros:
Sus parámetros deben verse como en la siguiente figura 8.46.
Figura 8.46 - Configuración de la ventana de procesamiento por lotes para interpolar los valores de precipitación para los 7 días.
El resultado de la interpolación se verá aproximadamente como en la figura 8.47.
Figura 8.47 - Conjuntos de datos interpolados
Las estaciones meteorológicas son visibles en el lienzo del mapa y en el TOC puede ver los 7 conjuntos de datos ráster recién creados que representan los valores de precipitación para cada día en el Departamento de Rosario.
A continuación, cambiemos la simbología de las 7 capas a una más colorida (Propiedades ‣ Simbología ‣ Pseudocolor de banda única ‣ Magma).
Al observar los datos de puntos y los conjunto de datos ráster creados a partir de ellos, podemos notar que ahora tenemos valores para toda la región y no solo en la ubicación medida. Hay muchos algoritmos de procesamiento que se pueden aplicar a estos rásteres para extraer información, pero más sobre eso en el siguiente módulo: procesamiento y visualización de datos ráster.
Sin embargo, como hemos interpolado valores para 7 días, preparemos una breve animación sobre cómo han evolucionado los valores de precipitación para el Departamento de Rosario.
Para hacer eso, abra el diálogo Propiedades de test_meteo_estacion_1 ráster ‣ haga clic en la pestaña Temporal ‣ marque la opción Temporal ‣ seleccione la fecha de inicio y finalización, como en la figura 8.48. Haga lo mismo con las 7 capas ráster.
Figura 8.48 - Configuración de información temporal para el dataset ráster (1, 2, 7).
Abra el Panel del controlador temporal (se puede encontrar en Ver ‣ Paneles ‣ Panel del controlador temporal) y configure los parámetros como en la figura 8.49.
Figura 8.49 - Configure los parámetros del Panel de controlador de tiempo.
Haga clic en el botón de reproducción y vea cómo cambian los valores. Puede elegir qué otras capas serán visibles. En la figura 8.50, agregamos la capa vectorial de edificios.
Figura 8.50 - Selección de otras capas para que sean visibles en la animación temporal.
Preguntas del cuestionario
Hay más algoritmos implementados.
La interpolación es útil para estimar datos basados en datos conocidos.
la capa debe estar proyectada (en metros) ↩