Mehr

Verwenden von ESRI World Imagery (für den Export)?


Ich möchte damit einige der ESRI World Imagery herunterladen, aber wenn ich versuche, den Layer zu einer Online-Karte hinzuzufügen, erhalte ich die Meldung "Der Layer, World Imagery (for Export), kann nicht zur Karte hinzugefügt werden". Ich habe versucht, es manuell direkt zur Karte hinzuzufügen, aber dies funktioniert auch nicht. Ich weiß, dass bereits Fragen zum Herunterladen von ESRI World Imagery gestellt wurden, aber ich habe keine Fragen zur Verwendung des Layers ESRI World Imagery (für den Export) gesehen. Ich kann keinen Weg finden, diesen Service zu nutzen, ist jemand mit diesem Prozess vertraut?

Einfacher ausgedrückt, wie kann ich ESRI World Imagery mithilfe von World Imagery (für den Export) exportieren?


Wie ich es gelesen habe, dieser Service nur unterstützt den Export für gekachelte Offline-Nutzung.

Zitieren der Metadaten des Kartendienstes:

Dieser Kartenservice wurde entwickelt, um den Export kleiner Mengen von Grundkartenkacheln für die Offline-Nutzung gemäß den folgenden Zugriffs- und Nutzungsbeschränkungen zu unterstützen. Dieser Kartendienst ist nicht für den Zugriff auf Live-Kartenkacheln zur Verwendung in einer Webkarte oder einer Webkartenanwendung vorgesehen.

und

Dieser Kartendienst ist nicht dazu gedacht, Live-Kartenkacheln zur Verwendung in einer Webkarte oder einer Webkartenanwendung anzuzeigen. Um auf Live-Kartenkacheln zuzugreifen, verwenden Sie bitte den World Imagery-Grundkartenservice.

Wenn Sie möchten, dass ein Dienst zu einer Karte hinzugefügt wird, müssen Sie einen für diesen Zweck entworfenen (und lizenzierten) Dienst verwenden.


Sie müssten die Methode export map in der JavaScript-API aufrufen, oder Sie können Python oder eine andere Sprache verwenden, um eine HTTP-Anfrage zu stellen. Parameterinformationen finden Sie in den REST API-Hilfedokumenten. Dies wäre für den Online-Zugang.

Ich bin mir nicht sicher, wie dies für den Offline-Zugriff funktioniert, aber wenn Sie dies benötigen, gehe ich davon aus, dass Sie die Kacheln lokal herunterladen müssen und dann mit Python die Ausdehnungen der Kacheln abfragen können, um herauszufinden, was Ihre überlappt AOI und exportieren Sie diese Kacheln. Da dies für die Offline-Nutzung konzipiert wurde, steht wahrscheinlich in der Hilfe, wie es geht.


GIS-basierte chemische Schicksalsmodellierung: Prinzipien und Anwendungen

In den letzten zehn Jahren haben Forscher entdeckt, dass geografische Informationssysteme (GIS) nicht nur hervorragende Werkzeuge für die Verwaltung und Anzeige von Karten sind, sondern auch bei der Analyse des chemischen Verbleibs und des Transports in der Umwelt nützlich sind. Unter seinen vielen Vorteilen erleichtert GIS die Identifizierung kritischer Faktoren, die das Schicksal und den Transport von Chemikalien bestimmen. Darüber hinaus erleichtert GIS die Kommunikation und Erklärung wichtiger Modellannahmen.

Basierend auf den Erfahrungen des Autors aus erster Hand in der Umweltbewertung, GIS-basierte chemische Schicksalsmodellierung untersucht sowohl GIS als auch die Grundlagen der chemischen Schicksals- und Transportmodellierung und schafft eine Schnittstelle zwischen den beiden Domänen. Anschließend wird erläutert, wie GIS-Analysefunktionen es Wissenschaftlern ermöglichen, einfache, aber umfassende räumlich explizite chemische Schicksals- und Transportmodelle zu entwickeln, die reale Anwendungen unterstützen. Darüber hinaus bietet das Buch:

  • Praktische Beispiele für GIS-basierte Modellrechnungen, die als Vorlagen für die Entwicklung neuer Anwendungen dienen
  • Übungen, die es den Lesern ermöglichen, ihre eigenen GIS-basierten Modelle zu erstellen
  • Begleitende Website mit herunterladbaren Datensätzen, die in den Beispielen und Übungen des Buches verwendet werden
  • Verweise auf Literatur, Websites, Datenarchive und Online-Berichte zur Erleichterung der weiteren Recherche
  • Abdeckung wichtiger Themen wie räumliche Entscheidungsunterstützungssysteme und Multikriterienanalyse sowie ökologische und gesundheitliche Risikobewertung im räumlichen Kontext

GIS-basierte chemische Schicksalsmodellierung leistet einen einzigartigen Beitrag zu den Umweltwissenschaften, indem es erklärt, wie GIS-Analysefunktionen die Entwicklung und Interpretation von chemischen Schicksals- und Transportmodellen verbessern. Umweltwissenschaftler sollten dieses Buch zu Rate ziehen, um ein tieferes Verständnis der Rolle von GIS bei der Beschreibung dessen zu erlangen, was mit Chemikalien passiert, wenn sie in die Umwelt freigesetzt werden.


Verwenden von ESRI World Imagery (für den Export)? - Geografisches Informationssystem

künstliche Intelligenz: das Studium und Design von Maschinen oder Computermethoden, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern require

GeoAI: ein interdisziplinäres Gebiet der Geographie und künstlichen Intelligenz

maschinelles Lernen: ein Unterfeld in der KI, das auf statistischen Methoden oder numerischen Optimierungstechniken beruht, um Modelle aus Daten abzuleiten, ohne jeden Modellparameter oder Rechenschritt explizit zu programmieren

tiefes Lernen: eine spezielle Art des maschinellen Lernens, die mehrere Schichten nichtlinearer Verarbeitungseinheiten oder Neuronen nutzt, um Repräsentationen aus Rohdaten zu lernen, um das Ziel des automatischen Lernens zum Ausführen verschiedener KI-Aufgaben zu erreichen

Künstliche Intelligenz (KI) hat in den letzten Jahren enorme Aufmerksamkeit von Wissenschaft, Industrie und der Öffentlichkeit erfahren. Trotz seiner jüngsten Popularität wurde das Feld bereits 1956 bei einem Workshop am Dartmouth College geboren (McCarthy, 1956). KI ist von Anfang an ein weites Feld und hat viele verschiedene Definitionen (Russell et al., 2003). Einige Definitionen konzentrieren sich auf die Entwicklung intelligenter Maschinen, die sich wie Menschen verhalten können. Zum Beispiel wurde der berühmte Turing-Test entwickelt, um zu sehen, ob die Reaktionen einer Maschine von denen einer realen Person nicht zu unterscheiden sind (Turing, 1950). Einige andere Definitionen konzentrieren sich auf das Entwerfen und Entwickeln von Rechenmethoden, um Aufgaben zu erledigen, die typischerweise menschliche Intelligenz erfordern, wie das Erkennen von Objekten aus Bildern oder das Verstehen der Bedeutung von Sätzen in natürlicher Sprache. Dieser Eintrag basiert hauptsächlich auf der zweiten Art von Definitionen.

Die Entwicklung der KI hat Höhen und Tiefen erlebt. Nach ihrem frühen Optimismus in den 1960er und 70er Jahren durchlief die KI-Forschung den „KI-Winter“ aufgrund des Versagens von KI-Methoden bei der Bewältigung realer Probleme. Die folgenden Jahrzehnte erlebten mehrere andere Wellen des Optimismus und der Enttäuschung. Seit dem 21. Jahrhundert und insbesondere nach 2010 hat die KI-Forschung erhebliche Fortschritte gemacht. Drei Hauptfaktoren haben zu diesem schnellen Fortschritt der KI beigetragen: Big Data, neuartige Algorithmen und immense Rechenleistung. Das Aufkommen von allgegenwärtigen Sensoren und nutzergenerierten Inhalten im Web ermöglicht die schnelle Generierung und Erfassung großer Datenmengen. Big Data ermöglicht es Computern, viele verschiedene Aspekte der Welt zu „beobachten“, zu lernen, wie die Welt funktioniert, und die Zukunft basierend auf bestehenden Beobachtungen vorherzusagen. Inzwischen wurden neuartige Algorithmen und Modelle entwickelt, und die KI-Community hat neben ihrer logischen Tradition verschiedene Ideen und Theorien aus anderen Bereichen wie Statistik, Wirtschaft, Biologie und Kognitionswissenschaft übernommen. Drittens bietet High Performance Computing (HPC) die notwendige Leistung für die Verknüpfung von Big Data und neuen Rechenmodellen und ermöglicht das Training anspruchsvoller Modelle an großen Datensätzen innerhalb von Stunden oder Tagen statt Wochen oder Monaten. Diese drei Hauptfaktoren, nämlich Big Data, neuartige Algorithmen und immense Rechenleistung, haben die bemerkenswerte Entwicklung der KI in den letzten Jahren stark vorangetrieben.

In diesem Zusammenhang überrascht es wahrscheinlich nicht, die Integration von KI und Geographie, insbesondere GIScience und GI-Systemen (GIS), zu sehen. Eine große Datenmenge enthält heutzutage georeferenzierte Informationen, also Informationen über Orte auf oder nahe der Erdoberfläche. Beispiele hierfür sind GPS-Trajektorien, Fernerkundungsbilder, standortbasierte soziale Medien, räumliche Fußabdrücke von Gebäuden, Straßen und Flurstücken, globale Höhendaten, Landnutzungs- und Landbedeckungsdaten, Bevölkerungsverteilung und so weiter. Diese georeferenzierten Daten sind kritische Eingaben für viele Modelle, die eine Vielzahl von Problemen im Zusammenhang mit unserer menschlichen Gesellschaft und der natürlichen Umwelt behandeln, und GIS ist für die effektive Verarbeitung, Verwaltung und Visualisierung dieser großen Geodaten unerlässlich. Darüber hinaus müssen viele KI-Modelle heterogene Daten aus verschiedenen Quellen synthetisieren, während der geografische Standort oft der einzige Faktor ist, der solche heterogenen Datensätze verknüpfen kann. Schließlich hat die vorhandene Forschung bereits erfolgreiche Integrationen zwischen GIS und HPC gezeigt (Wang, 2010), und integrierte Systeme von GIS und KI haben auch die Fähigkeit, eine hohe Rechenleistung zu nutzen.

Sowohl von der Wissenschaft als auch von der Industrie wurden bereits viele Anstrengungen unternommen, um die Integration von Geographie und KI zu erleichtern, und das Ergebnis ist ein spannendes neues und interdisziplinäres Gebiet – GeoAI. Im akademischen Bereich wurde der erste GeoAI-Workshop im November 2017 in einer großen GIS-Konferenz, ACM SIGSPATIAL, abgehalten, die mehr als 100 Teilnehmer anzog (Mao et al., 2018a). Im April 2018 fand das erste KI- und Deep-Learning-Symposium im Rahmen der größten Geographie-Konferenz, dem Annual Meeting of American Association of Geographers (AAG), statt. In der Industrie hat eines der großen GIS-Unternehmen, Esri Inc., mit Microsoft zusammengearbeitet, um die GeoAI Data Science Virtual Machine (DSVM) anzubieten, mit dem Ziel, KI, Cloud Computing, Geoanalyse und Geovisualisierung zusammenzuführen. Es ist auch erwähnenswert, dass in der Literatur bereits über Studien berichtet wird, die maschinelles Lernen zur geografischen Problemlösung vor dem GeoAI-Workshop nutzen, und von denen viele, wie die hyperspektrale Bildanalyse (Chen et al., 2014), hochauflösend Satellitenbildinterpretation (Zhang et al., 2015) und 3D-Rekonstruktion (Blaha et al., 2016) stammen von der Fernerkundungsgemeinschaft (Tuia et al., 2009 Zhu et al., 2017). Angesichts dieses anhaltenden Interesses ist es wahrscheinlich, dass es in absehbarer Zeit mehr Wechselwirkungen zwischen Geografie und KI geben wird. Dieser Eintrag soll interessierten Lesern, insbesondere Studenten, die zukünftige GIS-Führungskräfte werden, einige Hintergrundinformationen zu GeoAI vermitteln. Dieses Feld entwickelt sich rasant, und dieser Eintrag, der zwischen Mitte 2018 und Anfang 2019 abgeschlossen wurde, spiegelt die bisherigen Fortschritte wider. In den nächsten Jahren werden wahrscheinlich neue Fortschritte gemacht.

KI als weites Feld umfasst viele verschiedene Ansätze, die von der Top-Down-Wissensrepräsentation bis zum Bottom-Up-Maschinenlernen reichen. Es gibt drei verwandte Konzepte, die in den letzten Jahren häufig verwendet wurden: KI, maschinelles Lernen und Deep Learning. Im Allgemeinen ist KI das umfassendste Konzept, maschinelles Lernen ist ein Teilgebiet von KI und Deep Learning ist eine spezielle Art des maschinellen Lernens. Abbildung 1 veranschaulicht die Beziehungen zwischen diesen drei Konzepten. Während das weite Feld der KI viele Ansätze umfasst, ist ihre jüngste Popularität hauptsächlich auf die herausragenden Leistungen des maschinellen Lernens, insbesondere des Deep Learning, zurückzuführen. Daher konzentriert sich dieser Beitrag auf die Diskussion dieser beiden Arten von KI-Ansätzen.

Abbildung 1. Beziehungen zwischen KI, maschinellem Lernen und Deep Learning (Bennett 2018).

3.1 Maschinelles Lernen

Maschinelles Lernen ist ein Teilgebiet der KI (siehe Abbildung 1), das sich normalerweise auf statistische Methoden oder numerische Optimierungstechniken stützt, um Modelle aus Daten abzuleiten, ohne jeden Modellparameter oder Rechenschritt explizit zu programmieren (Valiant, 1984). Ein wichtiges Merkmal, das viele Modelle des maschinellen Lernens teilen, ist die Verwendung von Wahrscheinlichkeiten, um die Unsicherheit darzustellen, die in realen Problemen weit verbreitet ist. Es gibt drei Haupttypen des Lernens: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen. Überwachtes Lernen erfordert gekennzeichnete Daten zum Trainieren eines Rechenmodells, während unüberwachtes Lernen nicht gekennzeichnete Daten untersucht, um Muster zu entdecken. Reinforcement Learning erfordert keine gekennzeichneten Daten, sondern handlungsbasierte Rückmeldungen wie Belohnungen oder Bestrafungen, um einem Rechenmodell beim Lernen zu helfen. Machine-Learning-Aufgaben können auf verschiedene Arten kategorisiert werden. Basierend auf ihren Zielen können wir Aufgaben wie Klassifizierung, Clustering und Vorhersage identifizieren (Bennett, 2018). Bei der Klassifizierung besteht das Ziel darin, ein Ziel in eine Kategorie zu klassifizieren, z. B. eine Landparzelle in eine Kategorie wie etwa Gewerbe oder Landwirtschaft einzuordnen. Beim Clustering besteht das Ziel darin, Cluster aus Daten zu erkennen, z. B. das Auffinden der Fahrzeugcluster basierend auf ihren Standorten, um Verkehrsstaus zu erkennen. Bei der Vorhersage besteht das Ziel darin, unbekannte Werte vorherzusagen, z. B. die Vorhersage der Durchschnittstemperaturen mehrerer Orte in naher Zukunft basierend auf ihren historischen Temperaturen und anderen Variablen unter Verwendung eines Regressionsmodells. Es gibt auch andere Aufgaben, die unter den Begriff des maschinellen Lernens fallen können, wie z. B. die Erkennung von Anomalie/Neuheiten, Datengenerierung, Visualisierung, Merkmalslernen und andere. Es wurde eine Vielzahl von Machine-Learning-Modellen entwickelt, wie Regression, Decision Tree, Random Forest, Support Vector Machine (SVM), naive Bayesian Classifier, Dichtebasiertes Clustering, Hidden-Markov-Modell (HMM), künstliches neuronales Netzwerk (ANN), und zahlreiche andere. Diese Methoden werden ausführlich in Lehrbüchern zum maschinellen Lernen diskutiert, wie z. B. Flach (2012). Während die meisten maschinellen Lernmethoden direkt auf geografische Daten angewendet werden können, berücksichtigen sie in der Regel nicht die Einzigartigkeit geografischer Phänomene wie räumliche Autokorrelation und räumliche Nichtstationarität. Es gibt einige Methoden, wie die Empirical Bayesian Kriging (EBK)-Regression (Krivoruchko, 2012) und die räumliche Hauptkomponentenanalyse (sPCA) (Jombart et al., 2008), die den räumlichen Aspekt geographischer Probleme explizit modellieren, indem sie z räumliche Gewichte. Einige klassische räumliche Modelle, wie die geographisch gewichtete Regression (GWR) (Fotheringham et al., 2003), lassen sich auch maschinell lernen, d. h. sie können zunächst an einem Datensatz trainiert und dann an anderen Datensätzen getestet werden.

3.2 Deep Learning

Deep Learning ist eine spezielle Art des maschinellen Lernens, die sich auf die Entwicklung und Nutzung von tiefen neuronalen Netzen (DNN) für maschinelle Lernaufgaben konzentriert. DNN ist ein spezieller Typ eines künstlichen neuronalen Netzes, das mehrere Schichten (auch versteckte Schichten genannt) zwischen der Eingabe- und der Ausgabeschicht hat. Jede Schicht besteht aus einer Sammlung von Recheneinheiten, Neuronen genannt, die die Eingabe von der vorherigen Schicht übernehmen und eine nichtlineare Ausgabe an die nächste Schicht erzeugen. Deep Learning hat in den letzten Jahren aufgrund seiner herausragenden Leistungen (LeCun et al., 2015) dank der Verfügbarkeit großer beschrifteter Datensätze wie ImageNet (Deng et al., 2009) und HPC großes Interesse gefunden. Ähnlich wie bei anderen Machine-Learning-Modellen kann Deep Learning verwendet werden, um Aufgaben in den Bereichen Klassifizierung, Clustering, Vorhersage usw. zu erledigen. Insbesondere zwei Arten von DNN, das Convolutional Neural Network (CNN) und das Recurrent Neural Network (RNN), haben viel Aufmerksamkeit von der Geographie-Gemeinschaft erhalten. CNN eignet sich besonders für die Verarbeitung von Bildern, indem abstrakte Merkmale durch eine Kaskade von Neuronenschichten extrahiert und dargestellt werden und Faltungsfilter verwendet werden (Li et al., 2017a Maggiori et al., 2017 Gong et al., 2018). RNN eignet sich für die Verarbeitung von Sequenzdaten wie Bewegungstrajektorien (die als Sequenz von Orten modelliert werden können) (Kulkarni & Garbinato, 2017), indem einige der vorherigen Zustände gespeichert und Verbindungen zwischen den aktuellen und vorherigen Zuständen hergestellt werden. Während viele Studien bestehende Modelle auf geografische Probleme anwandten, entwickelten die Forscher auch neue DNN-Modelle speziell für den Umgang mit geografischen Daten. Marcoset al. (2018) vorgeschlagenen Rotation Equivariant Vector Field Network (RotEqNet) für die Landbedeckungskartierung basierend auf Fernerkundungsbildern. RotEqNet kodiert Rotationsäquivarianz in einem CNN und kann die gedrehten Versionen desselben Objekts aus Fernerkundungsbildern erkennen, während die Anzahl der von einem herkömmlichen CNN benötigten Parameter reduziert wird. Srivastavaet al. (2018) schlugen ein Siamese Convolutional Neural Network (VIS-CNN)-Modell mit variabler Eingabe vor, um Landnutzungstypen auf städtischer Objektebene zu klassifizieren. Ihr VIS-CNN-Modell kann eine variable Anzahl von Google Street View-Bildern für ein städtisches Objekt akzeptieren und sie aggregieren, um den Landnutzungstyp auf End-to-End-Weise zu lernen.

Es gibt eine beträchtliche Anzahl von Anwendungen von KI im Bereich der Geographie. Dieser Abschnitt fasst einige dieser Anwendungen zusammen.

4.1 Automatische Erkennung natürlicher Geländemerkmale aus Fernerkundungsbildern

Natürliche Geländemerkmale wie Krater, Vulkane und Sanddünen sind wichtige Indikatoren für den geologischen Prozess der Erde. Das Aufspüren ihrer Lage und die Extraktion ihrer geomorphologischen Eigenschaften sind für Geographen und Geologen von großer Bedeutung, um den Entstehungsprozess verschiedener Geländemerkmale zu verstehen, ähnliche Landschaften zu unterscheiden und unser georäumliches Wissen zu bereichern. Während diese Aufgabe bisher hauptsächlich mit der objektbasierten Bildanalyse (OBIA) erledigt wurde, ist eine Automatisierung der Verarbeitungsschritte kaum zu erreichen. Parameter wie der Skalierungsfaktor und das Zusammenführen von segmentierten Superpixeln (einem Cluster von Pixeln mit ähnlichen Werten) werden oft manuell oder halbautomatisch durchgeführt. Mit der Verbreitung von räumlichen Big Data, wie beispielsweise massiven Fernerkundungsbildern, sowie der schnellen Entwicklung von Deep-Learning-Techniken wird es möglich, einen automatischen Lernprozess zu implementieren, um verschiedene Geländemerkmale zu erkennen und zu charakterisieren.

Liet al. (2017b) ein Faster-RCNN (Faster Region-based CNN)-Modell erweitert, um die automatische Erkennung natürlicher Geländemerkmale aus Fernerkundungsbildern zu unterstützen. Anders als bei den Klassifizierungsaufgaben mit CNN muss die Objekterkennung nicht nur sagen, was sich in einem Bild befindet, sondern auch die Position des Objekts, dargestellt durch eine Bounding Box (BBOX). Dies erfordert auch zusätzliche Standortbezeichnungen in den Trainingsdaten. Bei der Anwendung von Deep Learning auf solche räumlichen Probleme wurden mehrere Herausforderungen angegangen. Dazu gehören ein Mangel an Trainingsdatenbanken, die mehrdeutigen Grenzen natürlicher Merkmale im Vergleich zu von Menschenhand geschaffenen Merkmalen, wie Gebäude oder Golfplätze, und die Ähnlichkeit verschiedener Merkmale zwischen den Kategorien. Zum Beispiel gibt es normalerweise eine Kraterart auf einem Vulkan, die als „Vulkankrater“ bezeichnet wird und Einschlagskratern ähnelt. Um solche Unterscheidungen zu treffen, kann es erforderlich sein, dass das Deep-Learning-Netzwerk Merkmale lernt, die für jede (Unter-)Kategorie einzigartig sind, wie das Ausstoßen von Asche von aktiven Vulkanen und flacheres Gelände, in dem normalerweise ein Einschlagskrater auftritt. Basierend auf einer Testdatenbank mit über 10.000 Bildern, das Deep-Learning-Netzwerk erreicht über 90% der mittleren durchschnittlichen Präzision (mAP) für die Aufgabe, acht Geländekategorien zu erkennen (Li & Hsu, 2018). Die abgeleiteten Informationen, sowohl Kategorie als auch BBOX, können die begrenzten räumlichen Informationen ergänzen, die nur ein Punkt für die Darstellung von Merkmalen jeglichen Ausmaßes in bekannten Gazetten wie dem USGS (United States Geological Survey) GNIS (Geographic Name Information System) sind, und bieten somit bessere Unterstützung für Feature-Zuweisung und Landschaftsinterpretation. Abbildung 2 zeigt die Erkennungsergebnisse für Hügel, Einschlagkrater, Mäander und Vulkan.

Abbildung 2. Eine Illustration der Ergebnisse der Erkennung von Geländemerkmalen von Hügel (a), Einschlagkrater (b), Mäander (c) und Vulkan (d) aus Fernerkundungsbildern.

4.2 Landbedeckungsklassifizierung für den Naturschutz

Ein weiteres hervorragendes Beispiel für KI-Anwendungen in der Geographie ist die Arbeit der Chesapeake Conservancy, einer gemeinnützigen Organisation mit Sitz in Annapolis, MD, und Pionier auf dem Gebiet der Präzisionskonservierung zur Überwachung, zum Schutz und zur Wiederherstellung der natürlichen Umwelt. Ihr „Missionsfeld“ umfasst das gesamte Einzugsgebiet der Chesapeake Bay, unterstützt mehr als 3.600 Pflanzen- und Tierarten und beherbergt 17 Millionen Menschen. Trotz der Bedeutung des Einzugsgebietes der Chesapeake Bay wurde seine Gesundheit über Jahrzehnte hinweg durch Abwasserüberläufe und den Abfluss von tierischen Abfällen und Chemikalien beeinträchtigt. Die Zukunft der Wasserscheide hängt von einer intelligenten Erhaltung ab, die durch Daten darüber informiert wird, wo Wachstum am wenigsten schädlich ist und wo Interventionen am hilfreichsten sein können. Dies erfordert detaillierte und hochpräzise Landbedeckungskarten, um zu verstehen, wie Land genutzt wird, und um Umweltprobleme zu identifizieren, wie beispielsweise Schadstoffe, die durch landwirtschaftliche Abflüsse in die Bucht gelangen. Landsat-Bilder bieten zwar eine Standardauflösung von 30 Metern, reichen jedoch nicht aus, um alle möglichen Szenarien der Landnutzung im 21. Landbedeckungsdaten mit einer Auflösung von 1 m sind noch nicht überall in den USA verfügbar und oft schwierig und teuer zu beschaffen, geschweige denn zu verarbeiten und zu interpretieren, insbesondere für weniger wohlhabende Gemeinden, kleinere gemeinnützige Organisationen und dergleichen. Eine treibende Motivation der Chesapeake Conservancy ist es, Naturressourcenmanagern und Naturschützern den Zugang zu einer solchen hochauflösenden Datenressource zu ermöglichen.

Um dieses Ziel zu erreichen, verfolgte die Chesapeake Conservancy einen Deep-Learning-Ansatz, um ein semantisches Segmentierungsmodell (Pixel-Level-Klassifizierung) zu erstellen, das eine hochauflösende Landbedeckung aus Luftbildern vorhersagt (Allenby et al., 2018). Die Bilder wurden vom National Agriculture Imagery Program (NAIP) mit einer Auflösung von 1 m oder 60 cm erhalten. Abbildung 3 veranschaulicht diesen Ansatz anhand eines Standorts innerhalb der Chesapeake-Wasserscheide. Oben links sind NAIP-Bilder aus dem Esri Living Atlas of the World (Kensok, 2017) zu sehen, oben rechts die ursprüngliche Chesapeake-Landbedeckungskarte und direkt darunter unten rechts die Karte, die von einem tiefen neuronalen Rest erzeugt wurde Netzwerk, das auf diesem NAIP-Bild im laufenden Betrieb ausgeführt wird und Wälder, Felder, Wasser und undurchlässige Oberflächen wie Straßen und Häuser in der unteren linken Ecke klassifiziert, ist dieselbe Region, außer dass es sich um eine Mischung aus Wahrscheinlichkeiten aus dem Modell in all diesen Kategorien handelt. derzeit mit einer Genauigkeit von 91% im Vergleich zu Bodenbeobachtungen. Dies war äußerst nützlich, da es die Unsicherheit bei den Erkennungen kommuniziert und es einem ermöglicht zu sehen, wie der Algorithmus „denkt“ und was zu seiner Verbesserung erforderlich ist. Die wahre Stärke dieses Ansatzes besteht darin, dass Datenwissenschaftler denselben Algorithmus verwenden können, um die Landbedeckung an Orten zu klassifizieren, die sie noch nie zuvor gesehen haben. Das System kann deutlich schneller klassifizieren als manuelle Methoden, nur begrenzt durch die verfügbare Hardware. Die Zeit, die benötigt wird, um das gesamte Einzugsgebiet der Chesapeake Bay korrekt zu klassifizieren, wurde von 2500 auf 150 Stunden reduziert. Ziel ist es, diesen KI-Ansatz auf alle anderen Einzugsgebiete der USA zu übertragen und mehr Organisationen an mehr Orten in die Lage zu versetzen, ihre landet.

Abbildung 3. Hochauflösende Klassifizierung der Landbedeckung des Einzugsgebiets der Chesapeake Bay unter Verwendung eines in ArcGIS Pro implementierten tiefen neuronalen Netzes.

4.3 Modellierung von Seegrashabitaten in Raum und Zeit

In dieser KI-Anwendung werden GIS- und maschinelle Lernmethoden integriert, um die Beziehung zwischen Seegras-Lebensräumen und Ozeanbedingungen zu modellieren. Seegräser sind Meerespflanzen, die große Mengen CO2 schnell speichern können, bis zu 100-mal mehr und 12-mal schneller als tropische Wälder (Parry et al., 2007 Pidgeon, 2009). Es liegen nur begrenzte Datenmengen zu globalen Seegraslebensräumen vor, und die vorhandenen Daten sind räumlich oft spärlich. Daher kann die Entwicklung eines Seegras-Lebensraummodells auf der Grundlage vorhandener Daten dazu beitragen, die Meeresbedingungen, die das Wachstum von Seegras begünstigen, quantitativ zu verstehen. Darüber hinaus kann ein solches Modell auch zukünftige Seegraslebensräume basierend auf sich ändernden Meeresbedingungen vorhersagen. In dieser Analyse wurden mehrere Datenquellen verwendet, darunter die Seegrasdaten von MarineCadastre.gov und der kürzlich verfügbare Datensatz Ecological Marine Units (EMU) (Wright et al., 2017). Diese Daten wurden verwendet, um ein Modell zu trainieren, das auf dem Seegrasvorkommen entlang der US-Küste basiert, um Seegraslebensräume weltweit bis zu einer Tiefe von 90 Metern vorherzusagen. In-situ-Meeresdaten werden mit Empirical Bayesian Kriging (EBK) interpoliert, um Vorhersagen auf globaler Ebene zu erstellen. Ein Random-Forest-Framework wird dann verwendet, um das Vorkommen und Fehlen von Seegras mit einer Reihe von Variablen wie Temperatur, Salzgehalt, Phosphat, Silikat, Nitrat und gelöstem Sauerstoff in Beziehung zu setzen. Abbildung 4(a) zeigt die globalen Vorhersagen zu Seegrashabitaten unter Verwendung von US-Küstendaten für das Training, die einer Karte in Abbildung 4(b) von Short et al. gegenübergestellt sind. (2007) von Seegrasbeobachtungen.

Abbildung 4. (a) Vorhergesagte Seegras-Lebensräume unter Verwendung eines Zufallswaldmodells (dunkelgrün zeigt eine hohe modellierte Häufigkeit an) (b) gemeldete Daten zum Vorkommen von Seegras von Short et al. (2007).

Das an bestehenden Seegras-Lebensräumen trainierte Random Forest-Modell wird dann auf verschiedene Ozeanbedingungen angewendet, um die möglichen Szenarien von Seegras-Lebensräumen aufgrund der Erwärmung der Ozeane vorherzusagen. Ein Anstieg der durchschnittlichen Meerestemperatur um 2 wird mit einem Zuwachs von 0,2 ℃ simuliert. Für jede Momentaufnahme des Meereszustands werden Seegraslebensräume mit dem trainierten Random-Forest-Modell vorhergesagt. Die Getis-Ord-Gi*-Statistik (Ord & Getis, 1995) wird verwendet, um die Cluster der Seegrashäufigkeit über Raum-Zeit-Bins zu erkennen. Die Bewertung von Veränderungen der Häufigkeitsintensität an einzelnen Standorten im Laufe der Zeit mithilfe der Mann-Kendall-Statistik ergibt die entstehende Hot-Spot-Karte in Abbildung 5.

Abbildung 5. Karte neuer Hotspots für Seegrashabitate bei steigender Meerestemperatur.

Wie die Abbildung zeigt, könnte Australien seine Seegrasbestände unter sich ändernden Meeresbedingungen verlieren, während die sibirische Küste seine Eignung für Seegraslebensräume verbessern könnte. Die Verwendung von Random Forest in dieser KI-Anwendung ermöglicht ein datengesteuertes Modell von Seegras-Lebensräumen für die Küsten der Welt. Ein Tutorial, das die Vorhersage von Seegras mit Methoden des maschinellen Lernens demonstriert, finden Sie in Additional Resource 5.

4.4 Zusammenfassung und einige andere Anwendungen von KI in der Geographie

Die drei oben diskutierten Studien sind in Tabelle 1 zusammengefasst.

Tabelle 1. Eine Zusammenfassung der drei von 3.1 bis 3.3 diskutierten Studien.
Studie Aufgabentyp Lerntyp Modell(e)
Automatische Erkennung natürlicher Geländemerkmale Einstufung Überwachtes Lernen Deep Learning: schnelleres regionenbasiertes CNN
Hochauflösende Landbedeckungsklassifizierung Einstufung Überwachtes Lernen Deep Learning: tiefes neuronales Residualnetz
Globale Vorhersage des Seegras-Lebensraums Prognose Überwachtes Lernen Maschinelles Lernen: EBK und Random Forest

Wie in Tabelle 1 gezeigt, befasst sich die erste Studie mit einer Klassifizierungsaufgabe (genauer gesagt mit der Objekterkennung), die Deep Learning nutzt, um die Kategorie eines Geländemerkmals und seine Position im Bild zu identifizieren. Die zweite Studie ist ebenfalls eine Klassifikationsaufgabe (semantische Segmentierung), bei der eine Landbedeckungsklassifikation auf Pixelebene erreicht wird. Die dritte Studie schließt eine Vorhersageaufgabe ab, die das Wachstum von Seegras in simulierten Situationen vorhersagt. Alle drei Studien verwenden überwachtes Lernen, bei dem die Modelle zunächst anhand von markierten Trainingsdaten trainiert werden. Während überwachtes Lernen tatsächlich sehr verbreitet ist, verwenden viele Studien auch unüberwachtes Lernen, wie beispielsweise räumliche und räumlich-zeitliche Clustering-Ansätze, um geografische Muster aus Daten zu extrahieren (Anbaroglu et al., 2014 Hu et al., 2015).

Es gibt andere Anwendungen, die KI-Techniken in die geografische Forschung integrieren. CNNs und ihre Varianten werden zusätzlich zu ihren herausragenden Leistungen bei der Verarbeitung von Satellitenbildern (Collins et al., 2017) und Google Street View-Fotos (Law et al., 2017) auch für die Ausrichtung von Vektordaten an historischen Rasterkartenbildern verwendet ( Duan et al., 2017), die Arten von Online-Karten erkennen (Zhou et al., 2018), geographische Texte klassifizieren (Adams & McKenzie, 2018) und so weiter. RNNs, wie das Long Short-Term Memory (LSTM), werden verwendet, um Zeitreihendaten zu verarbeiten, wie z. B. die Vorhersage der nächsten Standorte von Trajektorien (Li et al., 2018) und die Untersuchung der zeitlichen Muster von Ernten (Sun et al., 2018). RNNs werden auch verwendet, um mit Geotags versehene Tweets und andere natürlichsprachliche Texte mit geografischen Informationen zu analysieren (Mao et al., 2018b Sit et al., 2019 Santos et al., 2018). Modelle des maschinellen Lernens, wie das Hidden-Markov-Modell, werden in eine Vielzahl von Geodatenanwendungen integriert, wie beispielsweise Indoor-Navigation (Li et al., 2017a) und Standortvorhersage von Finanzdienstleistungen (McKenzie & Slind, 2019). Während viele Anwendungen bereits existieren, werden ständig neue Ideen und Methoden entwickelt.

GeoAI ist ein schnell wachsendes Feld mit vielen möglichen Richtungen, die in naher Zukunft verfolgt werden können. Hier listen wir einige dieser Richtungen auf. Erstens werden die meisten KI-Methoden derzeit auf vordefinierte und hochspezifische räumliche Analyseaufgaben angewendet. Kann es einen allgemeinen GeoAI-Assistenten geben, ähnlich wie Amazons Alexa oder Apples Siri? Ein solcher GeoAI-Assistent kann in der Lage sein, die Bedürfnisse eines GIS-Praktikers zu verstehen, die Aufgaben automatisch zu formalisieren und zu definieren und Kandidatenwerkzeuge aus einer großen GIS-Toolbox zu identifizieren. Zweitens werden die meisten der heutigen KI-Modelle auf der Grundlage eines Trainingsdatensatzes entwickelt und erben daher auf natürliche Weise die potenzielle Verzerrung der Daten. In der geografischen Forschung werden Trainingsdaten häufig aus einem bestimmten geografischen Gebiet gesammelt, und folglich kann es für ein Modell, das mit den Daten aus einem geografischen Gebiet trainiert wurde, schwierig sein, mit den Daten aus anderen Gebieten gut abzuschneiden. Eine wichtige Richtung besteht daher darin, Modellarchitekturen (oder den Trainingsprozess) zu verbessern, damit die erhaltenen GeoAI-Modelle über verschiedene geografische Gebiete übertragen werden können. Drittens wenden viele bestehende GeoAI-Studien KI-Methoden nur auf geografische Probleme an, anstatt Methoden zu verbessern oder zu erfinden. Während dies aus der Perspektive der Problemlösung in Ordnung ist, ist es für Geographen wichtig, nicht nur Methoden aus anderen Disziplinen zu importieren, sondern auch geografisches Wissen in andere Bereiche zu exportieren. Geografisch informierte oder räumlich explizite KI-Modelle können entwickelt werden, um die Einzigartigkeit geografischer Probleme zu erfassen.

Adams, B., & Mckenzie, G. (2018). Crowdsourcing des Charakters eines Ortes: Faltungsnetzwerke auf Zeichenebene für die mehrsprachige geografische Textklassifikation. Transaktionen im GIS, 22(2), 394-408.

Allenby, J., Joppa, L., &. Jojic, N. (2018). Präzise Konservierung. In Wright, D. und Harder, C. (Hrsg.) GIS for Science: Wie Kartierung und räumliche Analyse die Forschung voranbringen. Esri-Presse.

Anbaroglu, B., Heydecker, B., &. Cheng, T. (2014). Räumlich-zeitliches Clustering zur einmaligen Verkehrsstauerkennung in städtischen Straßennetzen Verkehrsforschung Teil C: Neue Technologien, 48, 47-65.

Bennett, L. (2018). Maschinelles Lernen in ArcGIS. ArcUser, 21(2), 8-9.

Blaha, M., Vogel, C., Richard, A., Wegner, J.D., Pock, T., & Schindler, K. (2016). Semantische 3D-Rekonstruktion im großen Maßstab: ein adaptives Modell mit mehreren Auflösungen für die volumetrische Kennzeichnung mit mehreren Klassen. Hrsg. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 3176-3184. DOI: 10.1109/CVPR.2016.346

Chen, Y., Lin, Z., Zhao, X., Wang, G. und Gu, Y. (2014). Deep-Learning-basierte Klassifizierung von hyperspektralen Daten. 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., & Graves, S.J. (2017). Deep Learning zur Verbesserung der Multisensor-Bildauflösung. 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)? - Geografisches Informationssystem

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)? - Geografisches Informationssystem

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.”


Schau das Video: How to Build a High Concentrations Map in ArcGIS Online (Oktober 2021).