Повеќе

Градење график од ОСМ?

Градење график од ОСМ?


Поминав неколку дена, разгледувајќи ги сите прашања тука и пробувајќи упатства. Треба да изградам графикон за регион (тоа ќе биде мој влез во симулацијата) ги преземав Postgresql и Postgis и osm2pgsql. Сега можам да вчитам .osm датотеки во базата на податоци. Сакам да имам комплетна база на податоци со лични карти за патишта за да можам да генерирам табела со рабови и јазли, а потоа да го градам мојот график

јазли = пресеци и рабови = патишта за град што користи питон.

Ве молам, детална помош со чекори. Видов многу клучни зборови (Postgresql / postgis, Networkx, QGIS), но не успеав да соберам добро упатство

Јас сум многу почетник.


Ако сте многу почетник, треба да го пробате ова упатство за osm2po од @Underdark

Osm2po ќе ви даде подготвен да го користите графикот од податоците на osm како датотека sql скрипта, сè што треба да направите е да го вчитате во базата на податоци преку командата psql -f.

Во оваа табела, секој запис е предност. Секој раб има 2 темиња извор и цел - координациите на овие точки се наоѓаат во колоната x1, y2 и x2, y2.

Ако ви треба посебна табела со темиња, само трчајте:

креирајте темиња на табелата како избран извор како ID, st_makepoint (x1, y1) како геом од рабови_ табела унија изберете цел како ID, st_makepoint (x2, y2) како геом од рабови_ табела

Треба да го проверите проектот pgRouting. Има одличен чекор за чекор работилница / упатство. http://workshop.pgrouting.org/


Јас ги користам и GraphHopper и Pg_Routing

Pg_Routing е многу пофлексибилен, но е релативно побавен (во зависност од големината на областа). Можете да ги промените трошоците на работ во реално време

GraphHopper купува графикони од екстракт од OSM и има свој вграден веб-сервер, па затоа многу брзо станува и работи…


http://osm-traffic.com/ овозможува директно преземање на графички податоци од OpenStreetMap во формат json.

Одрекување: Јас работам со компанијата што разви, тоа може да стане услуга за плаќање.


Исправување на забелешките за рурални згради во OpenStreetMap со употреба на конволуциони нервни мрежи

Мапирањето на руралните згради е од најголемо значење за поддршка на демографските студии и планирање на активности како одговор на кризата што ги погодува овие области. Забелешките за рурални згради постојат во OpenStreetMap (OSM), но нивниот квалитет и квантитет не се доволни за модели за обука што можат да создадат точни мапи за рурални згради. Проблемите со овие прибелешки во основа спаѓаат во три категории: (з) најчесто, многу прибелешки се геометриски неусогласени со ажурираната слика (ii) некои прибелешки не одговараат на градбите на сликите (тие се погрешни забелешки или зградите се уништени) и (iii) недостасуваат некои прибелешки за зградите на сликите (зградите никогаш не биле коментирани или биле изградени помеѓу следните набавки на слики). Прво, ние предлагаме метод заснован на случајно поле Марков (MRF) за усогласување на зградите со нивните прибелешки. Методот ја максимизира корелацијата помеѓу прибелешките и мапата на веројатноста за градење додека спроведува дека околните згради имаат слични вектори за порамнување. Второ, отстранети се прибелешките без докази во картата за веројатност за градење. Трето, ние претставуваме метод за откривање на згради што не се коментираат со однапред дефинирани форми и додавање на нивна прибелешка. Предложената методологија покажува значително подобрување на точноста на прибелешките за ОСМ за два региона на Танзанија и Зимбабве, што се попрецизни од најсовремените основни линии.


Градење график од ОСМ? - Географски информациони системи

Услуги за управување со разузнавање управувано од податоци засновани на локација (LADDIM)

Во тек се услугите на OpenStreetMap за селото Сент Сергу во Швајцарија постави да ги истражи најновите достигнувања во отворените податоци, аналитика и визуелизација за управување со интелигенција водена од податоци за локација (LADDIM).

Главната цел е да се идентификуваат прашањата LADDIM околу координираната интеграција и имплементација на модерната технологија OpenStreetMap (OSM), географски информациски систем (ГИС) и моделирање на интелигенција на зградата (BIM) од мали и средни консултантски инженерски фирми во помалку -развиени земји. Ваквите активности се делумно опфатени со иницијативата ГеоБИМ (ан пример).

Целта е секако да се демонстрира како се имплементираат LADDIM услугите за проценка на инфраструктурата и градежните проекти, така што упатствата за корисниците ќе можат да се развиваат за комерцијални понуди кои сигурно ќе се појават на Интернет.

Што се однесува до технологијата OSM, ние започнавме со самостојно домаќин:

  • Отворен сервер за плочки OpenStreetMap (OSM) со основен слој на OSM
  • Веб-страница OSM за управување со уредување на податоци за OSM
  • Сервер OpenGTS за управување со следење користејќи мобилни телефони со Android
  • Заден крај на OpenRouteService API со предната страна на OSR за прикажување изокрани за прошетки во планините Јура
  • мапа со област на интереси од аои-осм
  • Надминете го задниот крај на API-серверот со предниот дел на Leaflet за да обележите интересни точки.
  • означете анализа на контекст со користење на заден крај сервер OSHDB API
  • екстрактор за генерирање екстракти од мапи кои се уредуваат со употреба на JOSM и се прикачуваат на задниот крај на самостојниот OSM
  • услуга од интерес како што е openPOImap
  • слоевитоста на мултиспектралниот сателит Сентинел2 за да помогне во идентификување и можеби следење на карактеристиките на картата како што се вегетација, смиреност и изложеност на почва.

Следуваат детали за имплементациите и апликациите. Имплементациите користат сервери HP Proliant кои работат со Ubuntu 18.04LTS и предни и задни краеви на OSM со отворен извор.

Врските кон различните услуги започнуваат од мапата OSM на мапа.peterboswell.net

Како личен интерес, мапата OSM вклучува многу неодамнешен релјефен слој со висока резолуција на дигитален модел на височина (DEM) (производ swisstopo swissAlti3D) за комуните Сент-Сергу, Арзие и Басин, кој ги опфаќа планините Јура над Сент-Сергу . Релјефната мапа се користи заедно со сателитски снимки и податоци за OSM за мапирање на предмети од историски, археолошки и див свет. Мапирањето на сателитските снимки е во тек.

ДЕМ беше изманипулиран со употреба на GDAL и GRASS алатките на QGIS. Уредувањето на мапите на OSM го користи уредникот JOSM иако страницата на OSM нуди уредник на ID. Имаме проблеми со измазнување (де-бучава) на големи нијанси со високи резолуции на DEM користејќи fp_denoise и mdenoise. Измазнувањето е корисно затоа што има тенденција да ја спојува грубоста во консолидирани области што не го одвлекуваат вниманието и помагаат да се потенцираат одликите на ниво под еден метар.

Вежбата за практично мапирање помага во нашиот широк преглед на примената на OSM технологиите во консултантскиот инженеринг. Затоа, од интерес се:

  • планирање со користење на урбана топологија (на пр. блокирање, отворени тротоари, алатка за инфраструктура)
  • проценка на локацијата (на пример, надминување на класичните услуги за рутирање - проодност, оптимизација на маршрута, итн.)
  • мониторинг на капитал и инвестиции (изградена околина - згради, инфраструктура природна средина - инфраструктура заснована врз природата на земјиште)
  • идентификација на просторната карактеристика (на пример, Overpass4j, Orbis, OF4SOM, OSMonto)
  • организација на атрибути на одлики (ознаки, индекси, онтологии, таксономии)
  • физичко моделирање (на пример, енергија, клима, звук, изложеност, итн.) засновано на просторна анализа (на пример, програми ADEME, URCLIM и ANR CENSE)
  • мапирање со помош на компјутер (извлекување на АИ одлики на слики од воздух, сателит и земја), на пример, згради).

Целта е да се постават овие технологии во контекст на активностите за планирање, проектирање, набавки, сертифицирање и управување со проекти на консултантската инженерска индустрија.

Важноста на секоја од овие технологии за консултантски инженеринг честопати не е очигледна. Во повеќето случаи, се појавуваат студии на случаи, но да се суди за идната важност и значење на различните технологии, бара детално разбирање и внимателна анализа.


Семантичка сличност на ознаките на OSM

Во OpenStreetMap, карактеристиките на картата се опишани со ознаки, како на пр удобност = универзитет, и автопат = примарен. Овие ознаки одговараат на географски концепти, претставени во нашата семантичка мрежа на OSM. Користејќи ја семантичката мрежа на OSM, можно е да се пресмета семантичката сличност на ознаките. На пример, универзитет е концептуално повеќе сличен на училиште отколку на река. Мерка за семантичка сличност има за цел да го квантифицира овој факт со реален број, типично помеѓу 0 и 1.

Папката http://spatial.ucd.ie/osn/similarities содржи претходно пресметани резултати за сличност помеѓу ознаките на OSM. Овие резултати беа пресметани со користење на мерки за ко-цитирање, засновани на обрасци на врски помеѓу мрежните јазли. Забележете дека различните мерки за сличност можат да бидат повеќе или помалку соодветни во зависност од конкретниот контекст на апликацијата. Врз основа на нашата емпириска евалуација, мерките на PRank ги добиваат најдобрите резултати во апстрактно опкружување.


Охус

Тимот за голема анализа на просторни податоци на HeiGIT во моментов го развива охус платформа. Нашата цел е да ги направиме податоците со целосна историја на OpenStreetMap полесно достапни за разни видови задачи за анализа на податоци од глобално ниво. Апликациите на охсом платформата се движат од веб-контролни табли преку проценка на квалитетот на податоците до сопствена анализа на податоците.

Изведба

Податоците за историјата на OpenStreetMap се големи и, затоа, бараат ефикасност во однос на големината на складирањето, пристапот до податоци и перформансите на обработката. Овие имаат корист од нарачана, компактна репрезентација на податоци и од паралелизирање на пресметките.

Едноставни и генерички API

Две генерички интерфејси (API) се достапни за да овозможат произволни анализи за различни групи на корисници. Комплексната внатрешна репрезентација на податоци е капсулирана со цел да се направи повеќе лесна за одржување и лесна за одржување.

Информации без загуби

Анализа на сите аспекти на еволуцијата на податоците и активностите за уредување бара шемата на податоци да обезбеди информации без загуби за историскиот OpenStreetMap
податоци со одржување на сите својства на оригиналните податоци, вклучувајќи ги и нивните грешки.

Анализирајќи ја еволуцијата на OpenStreetMap

OpenStreetMap ја обезбедува скоро целата историја на уредување на нејзината глобална еволуција на податоци. Оваа база на податоци е голема и, генерално, тешко е да се справи. Централната идеја на охсом платформата е да се направи огромно информативно богатство на OpenStreetMap достапно за поголема јавност и да се развијат дополнителни функционалности за анализа. Ова го постигнуваме со употреба на технологија за големи податоци што ја прилагодивме на специфичните потреби на податоците за историјата на OpenStreetMap.

База на податоци за историја на OpenStreetMap (OSHDB)

OSHDB е главната позадина на податоците на охсом платформата. Тој е дизајниран за ефикасно складирање и пристап до податоците за историјата на OpenStreetMap. Со цел да се обезбеди приспособливост на системот, ние се базираме на шема за партиционирање што овозможува дистрибуирано складирање на податоци и паралелно извршување на пресметките.

OSHDB API

OSHDB API обезбедува интерфејс со OSHDB на програмскиот јазик Јава. Ние обезбедуваме OSHDB на нашето складиште GitHub за секој да го користи и го цениме снаодливиот фидбек што го добиваме од заедницата.

Ohsome API

ОХОМ API ви овозможува да го анализирате богатиот извор на податоци од историјата на OpenStreetMap. Нашиот API базиран на REST има за цел да ги искористи алатките на OSHDB преку овозможување пристап до некои од неговите функционалности преку HTTP барања. Можете или да извршите анализи користејќи апликација слична на контролната табла или директно да го користите ohsome API и да работите со неговите одговори CSV, JSON или GeoJSON.

Агрегација на податоци

Добијте збирна статистика за еволуцијата на елементите на OpenStreetMap и наведете ваши сопствени временски, просторни и / или тематски филтри. Крајната точка на агрегацијата на податоците ви овозможува да пристапите до функциите, на пример, да ја пресметате површината на зградите или должината на улиците во кое било дадено временско означување.

Статистика на корисник

Заинтересирани сте за тоа колку корисници придонеле за OpenStreetMap? Добијте го бројот на соработници во кој било прилагоден временски период за вашата област на интерес. Крајната точка на корисниците исто така ви овозможува да примените различни филтри, на пример, за да откриете колку корисници имаат изменето имиња на улици.

Извлекување на податоци

Преземете ја геометријата на историските податоци на OpenStreetMap, на пример, за да ја визуелизирате еволуцијата на одредени елементи на OpenStreetMap со текот на времето. Со нашата крајна точка за извлекување на охом податоците, можете да ги добиете геометрите за специфични точки во времето или сите промени во временскиот период (целосна историја).

Охос табла

Генерирањето точна статистика за историскиот развој на податоците на OpenStreetMap за произволен регион сега е лесно како пита. Охсом таблата овозможува сопствено филтрирање на сите достапни ознаки и типови на OpenStreetMap и вклучува административни граници, олеснувајќи го изборот на области за пребарување.

Истражувач на историја на OSM

Истражувачот на историјата на OpenStreetMap (ohsomeHeX) овозможува просторно-временско истражување на податоците за OSM од глобално ниво. Затоа, го користиме API-то на ohsome за да ги собереме податоците за избраните одлики во збир на светски опсег на хексагонални мрежи во месечна резолуција. Наликува на идејата за OSMatrix, но ги решава неговите технолошки недостатоци и ги трансформира со користење на тековните технологии за големи податоци за паралелна обработка во облакот. За да генерираме хексагонални мрежи, користиме DGGRID верзија 6.4. Благодарност до Кевин Сар и соработниците.

Аналитичар на некаков квалитет - OQT

Со аналитичар на квалитетот на некои (OQT), ние спроведуваме софтвер за пресметување проценки на квалитетот на податоците на OpenStreetMap (OSM). Секој краен корисник заинтересиран за квалитетот на OSM може да го користи OQT за да добие совети за квалитетот на податоците за OSM за нивниот специфичен регион и случајот за употреба. Неколку индикатори (мерки за квалитет) се комбинираат во извештајот за да се опише квалитетот за еден специфичен случај на употреба. За позадината на OQT ја користиме нашата рамка за охот.


Градење график од ОСМ? - Географски информациони системи

GIS4Graph е софтвер со отворен извор кој има за цел да помогне во анализата на географските мрежи врз основа на (гео) графикони - графикони во кои јазлите имаат позната географска локација, а рабовите имаат просторна зависност (Сантос и др., 2017). Развиена е за да се користи како веб-алатка и е составена од 3 модули:

  1. Ракување со просторни податоци (класа Пајтон со име База на податоци)
  2. Пресметка на метриката на графиконот (класа на Python именувана како графикон)
  3. Визуелизација на резултатите (Модул базиран на питон + колба, отворени слоеви и аголна JS)

Во однос на геопросторните податоци, GIS4Graph е во состојба да работи и со датотеки со облик датотеки и со датотеки OpenStreetMap (OSM) како влез. Кога се занимавате со датотека со облик, тој мора да биде збир на ленти за облоги што ја претставуваат мрежата што треба да се анализира. Таквите податоци потоа се вметнуваат во базата на податоци со географска поддршка - користејќи PostgreSQL како Систем за управување со базата на податоци и PostGIS како негово просторно проширување. Идентификацијата на врските помеѓу мрежните сегменти ефикасно се изведува со индексирано просторно барање засновано на функција што ги проверува пресеците помеѓу геометриските карактеристики. Кога станува збор за датотека OSM што претставува улична мрежа, се користи наставка PostgreSQL со име pgRouting. И во двата случаи, резултатот е список на врски помеѓу јазли. Првиот чекор пред секоја пресметка е да се изгради график заснован на анализираната мрежа. Тоа може да се направи со додавање на јазол за секоја географска карактеристика и рабови врз основа на списокот со врски. Играф библиотеката се користи и за градење графикони и за одредена пресметка на стандардните метрики. Степен на вертекс, коефициент на групирање, најкратки патеки и меѓусебност се неколку примери на метрика пресметана со igraph и вметната во G4G. Резултатната база на податоци се прикажува визуелно на мапа или како графикон.

  1. Извршете скрипта runflask за да започнете Flask Server (уредувајте runflask за да ја означите мрежната порта што ќе се користи за стартување на Flask server)
  2. Пристапете до него (локално) преку прелистувач на: http: //localhost/app/index.html

Python 3.0+ и libs: igraph, simplejson, flask, psycopg2, configparser, мултипроцес
PostgreSQL 9.1+
PostGIS
PGRouting
osm2pgrouting

Овој проект е лиценциран според условите на GNU GPL v3.0

Аурелиен Хорхе ([email protected]) Марсио Росато ([email protected]) Леонардо Б. Л. Сантос

Santos, L. B. L. Jorge, A. A. S. Rossato, M. Santos, J. D. Candido, O. A. Seron, W. Santana, C. N. (2017): (гео) графикони - Комплексни мрежи како датотека на јазли и форма на датотеки на рабовите за различни апликации. Да се ​​достави.


Поделување големи групи на податоци dat

Додека добивањето на релативно мали збирки на податоци на OSM е лесно со користење на пр. OSMnx, Пиросм започнува да свети кога треба да добиете податоци од големи географски области како што се земји или држави или кога е брзо анализирање на податоците на OSM од локалниот диск (првичната причина зошто е создадена оваа библиотека).

Како пример за таков случај, следно ќе измериме колку време е потребно за да се анализираат сите патишта и згради од државата Newујорк во САД. Податоците (

210 MB) може да се преземе од Geofabrik. Тестот е направен со употреба на лаптоп со 16 GB меморија, SSD диск и Intel Core i5-8250U процесор 1,6 GHZ).

Добро, така и требаше 2,7 минути да се анализираат околу 615.000 патишта што можат да се возат од OSM и да се создаде GeoDataFrame од податоците, не е лошо! (OSMnx сè уште работи по 3 часа, по што тестот беше запрен без резултати).

И вака изгледаат податоците на мапата (заговор се прави одделно користејќи QGIS):

Ајде да го направиме истиот тест за зградите

Добро, и како што можеме да видиме како се парсираат околу 2,2 милиони згради во GeoDataFrame од истата област 3,6 минути. (обидот да се стори истото со OSMnx заврши со грешка во меморијата по еден час).

И вака изгледаат податоците на мапата:

И одблизу до Newујорк Сити:

Како што можеме да видиме, парсирањето големи групи на податоци од датотеките OSM Protobuf во GeoDataFrame е многу лесно и брзо со Pyrosm. Достапната физичка меморија на компјутерот е најзначајното ограничување што доаѓа при анализирање на многу големи групи на податоци. Со 16 GB RAM меморија на компјутерот, треба да биде можно да се читаат прилично лесно OSM податоци од датотеката Protobuf до големина од 250 MB. Делот што најмногу троши меморија во моментов е конструирање на Убави геометрии во GeoDataFrame. Можеби ќе има подобрувања кога Геопандас ќе започне да ги поддржува низите за геометрија на Пигеос.

Од Хенрики Тенканен + соработници на пирозма
& копирајте ги Авторските права 2020, соработници на Хенрики Тенканен + пирозам.


Пиросм ги поддржува границите за читање, како што се административните граници од PBF, користејќи ја функцијата get_boundaries (). Стандардно, функцијата ги чита сите & квадминистративни & quot граници од PBF. Можете да го прилагодите типот на граница што се анализира од PBF со модифицирање на типот на граница - параметарот. Можете исто така да пребарувате граници за специфично име користејќи го параметарот за името:

Следното покажува како да пребарувате во одредена граница користејќи го името -параметар.

Функционалноста за пребарување на име поддржува делумно пребарување на текст, што значи дека на пр. пребарување & quotvuori & quot ќе ги врати сите елементи каде што делото & quotvori & quot е вклучено во ознаката за името (како што е „Punavuori”):

Како што можеме да видиме, имаше повеќе граници во податоците кои го вклучуваа зборот & quotvuori & quot во нивното име:

Исто така е можно да се пребаруваат различни граници од PBF.

Поддржани видови граници се:

Ајде да ги прочитаме сите & quotprotected_area & quot граници од PBF:


Придружници

Национален совет за научни и технички истражувања, КОНИЦЕТ, Годој Круз 2290, Буенос Аирес, C1425FQB, Аргентина

Институт за високи социјални студии, Универзитет во Сан Мартин, Ав. 25 де Мајо 1021, Сан Мартин, B1650HMI, Аргентина

Фондација Bunge & amp. Born, 25 де Мајо 501 6 is Пизо, Буенос Аирес, C1002ABK, Аргентина

Томас Алберто Олего и засилувач Х. Антонио Васкез Бруст

Факултет за социјални науки, Универзитет во Буенос Аирес, Сантијаго дел Естеро и Карлос Калво, Буенос Аирес, C1075AAU, Аргентина


DeepVGI - Длабоко учење Волонтерски географски информации & # 8211 Комбинирање OpenStreetMap, MapSwipe и далечинско чувство

Техники за длабоко учење, esp. Конвулуционалните нервни мрежи (CNN), сега се широко изучувани за предвидувачка анализа со слики од далечински сензор, кои понатаму може да се применат во различни домени за откривање на подземни објекти, мапирање на население, итн.

Овие методи обично тренираат модели за предвидување со надзор на голем број примери за обука. Како и да е, изнаоѓањето темелни вистини особено за развој и руралните области е доста тешко и рачното обележување на голем број податоци за обука е скапо. Од друга страна, Доброволни географски информации (VGI) (на пр., OpenStreetMap (OSM) и MapSwipe), што се географски податоци обезбедени доброволно од поединци, овозможуваат бесплатен пристап за вакви големи податоци.

Во нашиот проект & # 8220DeepVGI & # 8221, ние ги проучуваме предвидливите аналитички методи со слики од далечина, VGI, длабоки нервни мрежи, како и други алгоритми за учење. Таа има за цел длабоко учење од сателитски снимки со надзор на ваквите доброволни географски информации.

Користени се податоци за VGI од OpenStreetMap (OSM) и мобилната апликација за пренасочување на луѓе, MapSwipe, што им овозможува на волонтерите да обележуваат слики со згради или патишта за хуманитарни помагала. Развиваме активна рамка за учење со длабоки нервни мрежи со инкорпорирање и на податоците за VGI со поцелосно знаење за надзор. Нашите експерименти покажуваат дека DeepVGI може да постигне високи перформанси за откривање на згради за хуманитарно мапирање во руралните африкански области.

Слика 1 покажува некои првични резултати на DeepVGI, каде што податоците на OpenStreetMap и MapSwipe се користат за обука заедно со повеќеслојни вештачки нервни мрежи и стратегија за активно учење засновано врз VGI, предложена од нас. DeepVGI го надминува Deep-OSM (т.е. длабоки модели обучени само со податоци на OpenStreetMap) и постигнува блиска точност на волонтерите.


Слика 1: Првични резултати на DeepVGI

Од друга страна, ваквите предвидливи аналитички методи ќе се применат во географски апликации, како што е хуманитарното мапирање. Може да помогне да се подобри квалитетот на податоците на VGI, да се заштеди време на волонтери, итн. DeepVGI е исто така обид да се истражи интеракцијата помеѓу човечки суштества и машини, меѓу извори на луѓе и длабоко учење Слика 2 ја покажува рамката за истражување на проектот DeepVGI, каде што прво ќе се фокусираме на учење и предвидување помеѓу длабоките нервни мрежи и големите просторни податоци (вклучувајќи ги и податоците на VGI од нашиот историски проект OSM).


Слика 2 ја покажува општата рамка за истражување на DeepVGI

Повеќе детали ќе бидат достапни наскоро. DeepVGI е проект на Аналитиката за големи просторни податоци HeiGIT во соработка со хуманитарната група VGI на HeiGIT. Институтот за геоинформации во Хајделберг (HeiGIT) во моментов се основа со основно финансирање од фондацијата „Клаус Цира“ (KTS) Хајделберг.