Những hệ thống GIS dựa trên raster nào thực sự hoạt động?

Các hệ thống GIS raster như GRASS , ArcGIS / Spatial Analyst và Idrisi có thể thực hiện một bộ xử lý dữ liệu và quy trình phân tích phong phú được gọi là " đại số bản đồ ". Trong môi trường điện toán ngày nay, việc duy trì các trình quét từ 100.000.000 tế bào trở lên ở nhiều định dạng khác nhau trở nên phổ biến và yêu cầu các tính toán tương đối phức tạp như chế độ xem, lưu vực sông và nhận dạng địa hình, cũng như khả năng xử lý hình ảnh.

Dường như có nhiều giải pháp nguồn mở, miễn phí và rẻ tiền đang tồn tại. Nhưng cái nào thực sự giữ trong thực tế? Đó là, cái nào có thể xử lý lưới lớn một cách hiệu quả, có thể dễ dàng lấy dữ liệu vào và ra, không có lỗi một cách hợp lý và cung cấp đầy đủ các quy trình phân tích? Những cạm bẫy hoặc giới hạn tiềm ẩn mà bạn không tìm ra cho đến khi bạn đã đầu tư nhiều thời gian vào việc học các hệ thống này? (Câu hỏi cuối cùng này là một câu hỏi không dễ trả lời khi tìm kiếm trên Web và nơi tôi hy vọng người trả lời có thể đưa ra lời khuyên có giá trị.)

Tôi đặc biệt quan tâm đến các giải pháp có thể tích hợp tốt và cạnh tranh với các hệ thống thương mại phổ biến (nhưng đắt tiền) (có nghĩa là khả năng tương thích của Windows rất quan trọng).

Tôi không thể nói chuyện với SAGA hoặc một số hệ thống khác, nhưng tôi đã sử dụng GRASS rộng rãi, bao gồm phân tích quy mô toàn cầu về ~ 720M , trong đó yêu cầu triển khai mạnh mẽ các đại số raster và các hoạt động địa hình phức tạp. (Bên cạnh đó, với việc ngừng sử dụng ArcInfo , GRASS được cho là hệ thống GIS được phát triển liên tục lâu nhất).

Dữ liệu và công cụ GRASS có thể dễ dàng truy cập thông qua QGIS , cung cấp một tương tự GUI ArcView đẹp. Bản thân QGIS đang đạt được các khả năng phân tích raster đẹp, chẳng hạn như plugin GDALTools , nhưng chúng còn khá mới và thiếu sự trưởng thành cũng như độ sâu của chính GRASS.

Một triển vọng khác là gói raster cho R : R có lượng người dùng lớn, nguồn phương thức dễ truy cập và nó bao gồm các ưu điểm vượt trội của nhiều kỹ thuật thống kê. Tuy nhiên, nó thiếu các công cụ xử lý ảnh và có thể không đủ cho các loại tác vụ bạn quan tâm.

Cuối cùng, GDAL tạo thành một cơ sở vững chắc của nhiều hệ thống, nếu không phải là hầu hết các hệ thống GIS hiện đại và có triển khai rất nhanh các hoạt động đại số bản đồ phổ biến. Nó có thể được sử dụng thông qua giao diện Python hoặc thông qua C / C ++ trực tiếp trong thời gian khi sự trừu tượng hóa của lớp 'không đủ.

Chúng tôi sử dụng hỗn hợp - từ Spatial Analyst, SAGA, Ermapper, một chút GRASS, nhưng cuối cùng chúng tôi có xu hướng tìm đến Geosoft - mặc dù đó là vì chúng tôi thực hiện nhiều quá trình xử lý tăng cường địa vật lý. Spatial Analyst / ArcGIS là tốt vì bạn có thể dễ dàng mở rộng chức năng thông qua các hộp công cụ / xử lý địa lý nhưng chúng tôi thấy các quy trình xử lý Spatial Analyst thực tế thường không phải là tốt nhất. Cuối cùng, chúng tôi đã xây dựng các hộp công cụ để truy cập các mô-đun SAGA từ bên trong ArcGIS để chúng tôi có thể tiếp tục sử dụng chức năng mà không phải nhập / xuất - hộp công cụ sẽ chăm sóc tất cả những gì cần thiết. Có lẽ chúng ta cũng sẽ xem xét làm một điều tương tự để truy cập chức năng GRASS

Bây giờ bạn có thể làm việc và thực hiện đại số bản đồ với các trình quét có kích thước gần như không giới hạn trong cơ sở dữ liệu không gian với PostGIS. Tôi cá nhân làm việc với SRTM và dữ liệu khí hậu ở quy mô của Canada. Tôi có thể thực hiện giao cắt giữa các lớp raster và vector một cách rất nhanh và minh bạch. Tôi cũng có thể sử dụng toàn bộ các hàm đại số bản đồ.

Manifold với Surface Tools rất tốt trong việc nhập các định dạng và xử lý các trình quét lớn, phân tích có thể được thực hiện trực tiếp giữa các trình quét phù hợp hoặc với sự từ chối ngầm. Có hỗ trợ GPU cho một số chức năng raster và hỗ trợ mạnh mẽ cho tự động hóa với nhiều ngôn ngữ kịch bản và SQL. Giá tốt ở một vài trăm US.

Tài liệu chung cho Surface Tools:

http://www.georeference.org/doc/surface_tools.htmlm

Đây là danh sách các hàm hiện có cho hộp thoại Surface Transform, chấp nhận các biểu thức tùy chỉnh để thực hiện các phép tính giữa nhiều trình quét:

http://www.georeference.org/doc/transform_dialog_fiances_and_operators.htmlm

Một điều đáng tiếc là việc xuất khẩu "bề mặt" (raster) không thể được thực hiện sang GeoTIFF (hình ảnh có thể). Tôi thường xuất sang SDTS và chuyển đổi nó thành GeoTIFF bằng GDAL. Việc ánh xạ các hệ tọa độ từ hỗ trợ (của chính Manifold) và các hệ thống khác như gia đình của GDAL là không hoàn hảo, nhưng các vấn đề là khá hiếm.

Tôi đã nghe nói về một vài người sử dụng SAGA. Nhưng cá nhân tôi có rất ít kinh nghiệm với nó.

http://www.saga-gis.org/en/index.html

Đối với bài viết này "Ước tính Nhiệt độ bề mặt đất hàng ngày trong môi trường miền núi bằng cách tái tạo dữ liệu MODIS LST (toàn văn PDF ) Tôi đã xử lý dễ dàng 11.000 hình ảnh MODIS LST trong GRASS GIS, theo cách song song trên cụm của chúng tôi.

chúng tôi sử dụng SAGA để theo dõi dữ liệu từ tốc độ liều và phép đo phổ gamma (trên không hoặc mặt đất, nền tự nhiên, bãi thải mỏ cũ, v.v.). Tôi có nhiều mô-đun hữu ích cho chúng tôi và chúng tôi thích nó nhiều.

PS: vì đầu ra bản đồ SAGA có những hạn chế, đối với các bản đồ nâng cao hơn, chúng tôi kết hợp nó với Quantum GIS.

Nói cho chính mình, tôi thiên vị trong trường hợp này. Nhưng tôi chủ yếu sử dụng IDRISI cho raster GIS. Phần lớn là do IDRISI cung cấp hầu hết các công cụ toàn diện để phân tích raster nếu bạn so sánh nó với các phần mềm GIS khác. Từ các mô hình thống kê phân loại và dự đoán khác nhau đến phân tích lưu vực và chi phí, nó có khá nhiều thứ chúng ta cần để phân tích raster hàng ngày. Nó cũng có một phần mở rộng cho ArcGIS. Nó đã cải thiện khả năng xử lý dữ liệu lớn. Tuy nhiên, không có phần mềm GIS nào thực sự có thể tính được khoảng cách chi phí 1000000 x 1000000 trong một phút.