Vairāk

Interpolācijas režģis izkaisītiem datiem ar (platuma, garuma) koordinātām

Interpolācijas režģis izkaisītiem datiem ar (platuma, garuma) koordinātām


Esmu ieguvis dažus izkaisītus datus (platums, garums, someParameterValue). Es izmantoju apgrieztās attāluma svēršanas interpolācijas metodi, lai tos interpolētu taisnstūrveida pikseļu režģī. Pašlaik es ģenerēju šī tīkla vaicājuma punktus pitonā, kā norādīts zemāk. Lūdzu, ņemiet vērā, ka (platuma, garuma) koordinātas esmu pārveidojis par Dekarta (x, y) koordinātām:

xr = int (math.ceil (xmax-xmin)); yr = int (math.ceil (ymax-ymin)) xres = yres = 1 xr = math.ceil (xr / xres) +1 yr = math.ceil (yr / yres) +1 npts = int (xr * yr) vaicājumsPts = np.zeros (forma = (npts, 2)) x1 = xmin; y1 = ymin idx = 0 while (x1 <= xmax): while (y1 <= ymax): # šeit tiek aizpildīts vaicājuma punktu 2D masīvs. queryPts [idx] = [x1, y1] idx + = 1 y1 + = gadi y1 = ymin x1 + = xres

kur xmin, ymin, xmax, ymax ir attiecīgi x un y koordinātu minimālās un maksimālās vērtības. Šeit es uzskatu, ka vaicājuma punktu aizpildīšana ar intervālu 1 katrā x un y asī nav pareizais ceļš. Pēc interpolēto vērtību režģa aprēķināšanas es izmantoju gdal, lai to pārvērstu rastra attēlā ar pikseļu interpolētajām vērtībām mērogā 0-255. Šeit ir parādīts attēla paraugs, kas, manuprāt, ir nepiemērots.

Vēlētos saņemt ieteikumus par šādiem jautājumiem:

  1. Kāds būtu pareizākais veids, kā ģenerēt vaicājuma punktus interpolācijas režģim, t.i., kā iestatīt punktu izšķirtspēju uz x un y asīm, kuru interpolētās vērtības mēs aprēķināsim?
  2. Es redzu, ka iepriekš minētais jautājums ir saistīts ar pikseļu izšķirtspēju, kuru mēs vēlamies iegūt pēdējā interpolētajā attēlā. Tāpēc iepriekš minēto jautājumu varētu uzdot kā: kā ģenerēt 2D masīvus ar (x, y) punktiem (vaicājuma punktiem?), Kas atbilst renderētā attēla pikseļiem?

es varu mēģināt atbildes mēģināt veikt otrādi:

izšķirtspēja var būt nedaudz specifiska tam, ko vēlaties - un, kā jūs minējat, ir atkarīgs no šūnas lieluma. Ja jūsu koordinātas bija metros - jūs varētu vēlēties beigties ar 10 metru šūnu lielumu, tāpēc jūs varētu izmantot

cellsize = 10 ncol = int (math.ceil (xmax-xmin)) / cellsize nrow = int (math.ceil (ymax-ymin)) / cellsize xres = (xmax - xmin) / float (ncol) # kam vajadzētu atgriezties uz sākotnējo šūnu lielumu yres = (ymax - ymin) / pludiņš (now)

Lai ģenerētu 2D punktu masīvu interpolācijai, es dažreiz izmantoju numpy mgrid kā

importēt numpy kā np gridx, gridy = np.mgrid [xmin: xmax: ncol * 1j, ymin: ymax, nrow * 1j]

ņemiet vērā, ka solis arguments ir sarežģīts skaitlis iepriekš minētajā piemērā - no docs 'Tomēr, ja soļa garums ir komplekss skaitlis (piemēram, 5j), tad tā lieluma vesela daļa tiek interpretēta kā norāde, cik punktu jāizveido starp sākuma un beigu vērtības, ja apstājas vērtība ir ieskaitot. " protams, lai izveidotu x un y punktus, jūs varētu izmantot arī linspace vai tīkla režģi, vai, iespējams, jebkuru funkciju skaitu.

es atklāju, ka šī ziņa ir ļoti noderīga. un izmantoja to dažādu interpolācijas metožu novērtēšanai - kur 'pts' ir x, y pāru un z ir z vērtību saraksts - ptx un pty ir attiecīgi x un y vērtību saraksti.

interptype = 'gauss': # vai rbf vai griddata ##### izmantojot griddata #####, ja interptype == 'griddata': no ​​scipy.interpolate importēt griddata grid = griddata (pts, z, (gridx, gridy) , method = "linear", fill_value = -3e30) ##### izmantojot radiālās bāzes funkciju #### if interptype == 'rbf': importējiet scipy.interpolate kā interpolātu f = interpolate.Rbf (ptx, pty, z , function = "linear") grid = f (gridy, gridx) ##### izmantojot gaussian #### if self.interptype == 'gauss': no ​​sklearn.gaussian_process importēt GaussianProcess ptx = np.array (ptx) pty = np.array (pty) z = np.rayr (z) drukāt math.sqrt (np.var (z)) gp = GaussianProcess (regr = 'kvadrātisks', corr = 'kubisks', teta0 = np.min ( z), tetaL = min (z), tetaU = max (z), tīrradnis = 0,05) gp.fit (X = np.column_stack ([pty, ptx]), y = z) rr_cc_as_cols = np.column_stack ([režģis) .flatten (), gridx.flatten ()]) režģis = gp.predict (rr_cc_as_cols) .reshape ((ncol, nrow))

es domāju, ka izšķirtspēja vairs neparādās, kamēr nav uzrakstīts rastrs (kaut kas līdzīgs šim?) -

outTiff = 'somefilename.tif' ģeotransformācija ((xmin, xres, 0, ymax, 0, -yres) # Tas ir (augšējā kreisajā pusē x, mēs pikseļu izšķirtspēju, rotāciju (0, ja ziemeļi ir uz augšu), # augšējo kreiso y, rotāciju 0, ja ziemeļdaļa ir uz augšu), ns pikseļu izšķirtspēja) drv = gdal.GetDriverByName ('GTiff') ds = drv.Create (outTiff, ncol, nrow, 1, gdal.GDT_Float32) # Atveriet failu joslu = ds.GetRasterBand (1 ) band.SetNoDataValue (-3e30) ds.SetGeoTransform (geotransform) # Norādiet tās koordinātas, ja wkt! = ": ds.SetProjection (wkt) # Eksportē koordinātu sistēmas joslu.WriteArray (np.flipud (grid.T)) # ja jums jāapgriež vai jātransponē režģis

Lai noteiktu kaut kā atrašanās vietu, mēs bieži izmantojam koordinātu sistēmu. Šī sistēma sastāv no X un Y vērtības, kas atrodas 2 (vai vairāk) dimensiju telpā. Mēs dzīvojam uz trīsdimensiju zemes, kas gadās būt “apaļa”. Lai noteiktu objektu atrašanās vietu uz zemes, kas ir apaļa, mums ir nepieciešama koordinātu sistēma, kas pielāgojas Zemes formai. Veicot kartes uz papīra vai uz plakana datora ekrāna, mēs pārietam no trīsdimensiju telpas (globusa) uz divdimensiju telpu (mūsu datora ekrāni vai papīra gabals). DRS sastāvdaļas nosaka, kā datu “saplacināšana”, kas pastāv 3-D globusa telpā. DRS nosaka arī pašu koordinātu sistēmu.

DRS nosaka tulkojumu starp vietu uz apaļās zemes un to pašu vietu saplacinātā, divdimensiju koordinātu sistēmā. Avots: http://ayresriverblog.com

Koordinātu atskaites sistēma (DRS) ir uz koordinātām balstīta vietēja, reģionāla vai globāla sistēma, ko izmanto, lai atrastu ģeogrāfiskas vienības. - Vikipēdija


San Jacinto datu paraugs

Apskatīsim, ko piedāvā USGS produkti. Zemāk redzamajā attēlā ir ēnota reljefa augstuma datu atveidošana Riversaidas apgabala daļai Kalifornijas dienvidos. Tajā ietilpst San Jacinto kalni, Bomontas un Palm Springsas pilsētas un Coachella ieleja. Parauga teritorija iet apmēram 100 kilometrus (60 jūdzes) uz ziemeļiem un dienvidiem un 85 kilometrus (50 jūdzes) uz austrumiem un rietumiem.

1. attēls & ndash Vienkrāsaina ēnota reljefa renderēšana, kas iegūta no Cloud Optimized GeoTIFF (datu avots: USGS_13_n24w117.tif).

San Jacinto Mountains attēla detalizācijas pakāpe ir īpaši pārsteidzoša, ja ņemat vērā, ka tā ir tikai samazināta oriģināla versija. Lai iekļautos šajā lapā, mums tas bija jāsamazina par koeficientu 12. Lai labāk izprastu avota datu kvalitāti, zemāk redzamajā attēlā redzams pilnā veidā atveidotā attēla tuvplāns. izšķirtspēja. Attēlā parādīta neliela kopējās datu kopas sadaļa, kas ņemta no attēla apakšējā labajā stūrī. Ezera un upes īpatnības ir iegūtas no virszemes ūdens Shapefile. Bet attēlā redzamās ceļa iezīmes un ēkas pēdas ir iegūtas tikai no augstuma datiem. Viņu klātbūtne dod zināmu priekšstatu par USGS datu kopas patieso izšķirtspēju.

2. attēls & ndash Aizvērt skatu ar pilnu izšķirtspēju, pievienotu krāsu un virszemes ūdeni (datu avots: USGS, Patterson).

Abi iepriekš parādītie attēli tika renderēti, izmantojot saukto tehniku aizēnots-atvieglojums. Efekta radīšanai izmantotais algoritms ir aprakstīts turpmāk. Otrajam attēlam izmantotās krāsu tehnikas ir apskatītas šīs rakstu sērijas 2. daļā.

San Jacinto dati vienā mirklī

  • Ietver apgabalu, kas atrodas Riversaidas apgabalā Kalifornijas dienvidos.
  • Ietver Beaumont, Banning, Palm Springs un Coachella Valley pilsētas.
  • Sakārtotas pēc ģeogrāfiskām koordinātām (platums, garums)
  • Aptver viena grāda kvadrātveida laukumu no 33N / 117W līdz 34N / 118W.
  • Režģa atstatums ir viena trešdaļa loka sekundes (aptuveni 10,3 metri starp rindām, 8,5 metri starp kolonnām)
  • Režģa izmēri ir 10812 rindas ar 10812 kolonnām jeb aptuveni 117 miljoni rastra šūnu.
  • Augstums svārstās no 70,3 metriem (230 pēdām) zem vidējā jūras līmeņa līdz 3291,5 metriem (10799 pēdām) virs jūras līmeņa
  • Vidējais augstums ir 763 metri (2503 pēdas) MSL

Ja rastra atstatums ir viena trešdaļa loka sekundes, mēs sagaidām, ka viena grāda kvadrātveida režģim būs 10800 līdz 10800 šūnas. Mākoņa optimizētie GeoTIFF produkti ietver 12 papildu režģa šūnu rindas un kolonnas. Šīs papildu šūnas pārklājas blakus esošajos datu apgabalos. Tātad patiesais San Jacinto parauga augšējais kreisais stūris nav 34N / 117W, bet faktiski ir neliels attālums līdz tā ziemeļrietumiem. Šī pārklāšanās ir paredzēta, lai nodrošinātu nepārtrauktību, veicot virsmas analīzi un apmetumu. Sīkāka informācija par šo dizaina izvēli ir sniegta zemāk (sk. Kas padara to par optimizētu GeoTIFF?).


Neregulāri izvietotu datu interpolācija 3D tīklā

Es strādāju ar dažiem instrumenta datiem, kas reģistrē temperatūru noteiktā platuma, garuma un spiediena (augstuma) koordinātās. No šī instrumenta datiem man jāizveido 3D režģis, kuru pēc tam es varu izmantot, lai ņemtu vertikālos interpolēto režģēto datu šķērsgriezumus. Esmu izskatījis gandrīz katru interpolācijas funkciju / bibliotēku, ko vien varu atrast, un man joprojām ir problēmas, vienkārši apvelkot galvu, kā to izdarīt.

Es negribētu neizmantot Mayavi, jo tas, šķiet, ir kļūdījies manas skolas serverī, un es labāk nemēģinātu tagad tikt galā ar tā novēršanu.

Dati pašlaik ir izvietoti 4 atsevišķos 1d masīvos, un es tos izmantoju, lai izsmietu dažus izkliedētos attēlus no tā, ko es cenšos iegūt.

Šeit ir mana instrumenta datu punktu struktūra:

Un to es mēģinu izveidot:

Galu galā es gribētu no šiem punktiem izveidot sava veida 3D kontūru, no kuras es varu paņemt šķēles. Katram no uzzīmētajiem punktiem ir piestiprināta atbilstoša temperatūra, kas, manuprāt, mani izmet izmēru un kā ne.


Trīsdimensiju neregulāra režģa datu interpolācija parastajā tīklā

Man ir trīsdimensiju radara atstarošanas dati, kas iegūti kā vokseli (skenējumi, stari, augstumi). Dati ir atlasīti neregulāros attālumos, un es vēlos tos pārveidot parastā režģī. Turklāt man ir 3-D masīvi platumam, garumam un augstumam ar tādu pašu formu (skenējumi, stari, augstumi). Python ir mana izvēlētā programmēšanas valoda. Vai scipy's RegularGridInterpolator izmantošana ir labākais veids, kā iegūt regulāru režģi?

Kolēģis man ieteica vispirms sākt ar 2-D interpolāciju (skenēšana un stari katram augstumam) un pēc tam turpināt 3D-interpolāciju. Lielākā daļa atstarošanas datu satur nulles (nulles atstarojamība) un NaN (nav pieejami dati), un būtu patīkami zināt, vai nulles / NaN noņemšanai būtu piemērots kāds filtrs. Visi ieteikumi un atsauces par šo tēmu tiks novērtēti.

Tātad datu kopas paraugam - man kopā ir 22163680 punkti, no kuriem 266111 ir galīgās vērtības (lielākas par nulli). Pārējie ir nulles un NaN.


Pieteikums

3. attēlā parādīts resample_n piemērs MISR AN zilās joslas izstarojuma datu paraugu ņemšanai ar 1.1 km izšķirtspēju līdz MODIS vālim ar 1.0 km izšķirtspēju Terra orbītas dienasgaismas pusē, kas sastāv no 17 MODIS 5 minūšu granulām un viena MISR granula. Kā parādīts 3. attēlā, atkārtoti atlasītās MISR ainas mākoņa funkcijas un modeļi lieliski atbilst oriģinālajā MODIS sižetā redzamajiem. Avota (MISR) un mērķa (MODIS) pikseļu kopējais skaits ir attiecīgi 46 726 540 un 8 257 536. Šī gadījuma izpildlaiks ir 40 sekundes, izmantojot 32 pavedienus - maksimālo vienā pavedienā pieejamo pavedienu skaitu - Blue Waters superdatorā Nacionālajā superdatoru lietojumprogrammu centrā (NCSA) ar iespējotu OpenMP.

(a) MISR AN zilās joslas izstarojuma lauku attēls, kas atkārtoti ņemts uz MODIS režģiem Orbit 71,826, kas uzņemts 2013. gada 19. jūnijā, kā arī (b) atbilstošo MODIS starojuma lauku attēls 3. joslai. MISR apakškopas reģions attēls (a) un MODIS attēla (b) attēls tiek palielināts un parādīts attiecīgi (c) un (d)

Lai novērtētu pitfa izmantošanas efektivitāti datu atlasei ar atšķirīgu telpisko izšķirtspēju, 4. attēlā parādīts MISR AN sarkanās joslas izstarojuma datu atkārtotas atlasīšanas piemērs 275 m izšķirtspējā ar CERES tuvāko zemāko pikseļu (skata zenīta leņķis & lt20 °) pie 20 km izšķirtspēja, kas bija daļa no Terra orbītas (orbītas numurs 53557). Avota un mērķa pikseļu kopējais skaits ir attiecīgi 188 743 680 un 5000. Salīdzinot resample_s metodi ar brutālu spēku metodi, izmantojot MISR-Toolkit (Zhan et al. 2018, Remote Sensing), mēs noskaidrojām, ka resample_s metode nodrošināja stabilus rezultātus ar daudz mazāku izpildlaiku. Vienmērīgi sadalot kopējos 5000 mērķa pikseļus 3 apakšgrupās, kopējais pytaf kolokācijas izpildlaiks ir 23 s, izmantojot 8 pavedienus vienā un tajā pašā Keelinga kopas mezglā (Intel Xeon E5-2660v3) Zemes, sabiedrības un vides skolā ( SESE) Ilinoisas Universitātē, savukārt MISR-Toolkit-collocation vajadzēja 5000 s, lai pabeigtu to pašu mašīnu. No visiem 4388 derīgajiem izvietotajiem MISR-CERES pikseļiem vairāk nekā 90% paraugu (n = 3942) ir identiskas starp abām metodēm. Pārējie paraugi (n = 446) tika konstatēts tikai 1

2 MISR pikseļi ir atšķirīgi, un vidējā absolūtā atšķirība bija 0,009 Wm −2 sr −1 μm −1, kas bija ekvivalenta MisrToolkit-kolokācijas rezultātu vidējai relatīvajai starpībai 0,009%. 1

2 MISR pikseļu (-u) atšķirību, iespējams, izraisa divu atšķirīgo metožu izmantotā telpiskā attāluma formulas atšķirība. MISR rīku komplekts, aprēķinot telpiskos attālumus, izmanto Dekarta attālumu, kas ir mazāk precīzs un skaitļošanas ziņā dārgāks nekā lielā apļa formula, kuru izmanto pytaf.

MISR-CERES kolokācijas salīdzinājums starp etalonu meklēšanas pieeju (MISR-Toolkit) un pitafu. a) MISR 275 m sarkanās joslas paraugi tika savākti un vidēji aprēķināti vairāk nekā 5000 CERES FOV, izmantojot MISR-Toolkit. b) tāds pats kā a) apakšpunktā, bet izmantojot pitafu. c) tieši aprēķinātu vidējo sarkano joslu starojumu salīdzinājums starp šīm divām pieejām. d) tāds pats kā c) apakšpunkts, bet derīgo MISR paraugu skaitam


Mašīnmācīšanās metožu pielietošana vides mainīgo telpiskajā interpolācijā

Mašīnmācīšanās metodes, piemēram, izlases mežs (RF), ir parādījušas savu izcilo sniegumu dažādās disciplīnās, taču iepriekš tās nav piemērotas vides mainīgo telpiskajai interpolācijai. Šajā pētījumā mēs salīdzinājām 23 metožu veiktspēju, ieskaitot RF, atbalsta vektora mašīnu (SVM), parasto krigingu (OK), apgriezto attālumu kvadrātā (IDS) un to kombinācijas (ti, RFOK, RFIDS, SVMOK un SVMIDS), izmantojot dubļu satura paraugus Austrālijas dienvidrietumu malā. Mēs pārbaudījām arī kombinēto metožu jutīgumu pret mainīgajiem lielumiem un visprecīzāko metožu vidējo prognožu precizitāti. Metožu precizitāte tika novērtēta, izmantojot desmitkārtīgu savstarpēju validāciju. Vizuāli tika pārbaudīti arī visprecīzāko metožu pareģojumu telpiskie modeļi, lai noteiktu to derīgumu. Šis pētījums apstiprināja RF efektivitāti, jo īpaši tā kombināciju ar OK vai IDS, kā arī apstiprināja RF un tā kombinēto metožu jutīgumu pret ievades mainīgajiem. Vidēji precīzāko metožu prognozes neparādīja būtisku prognozēšanas precizitātes uzlabošanos. Vizuālā pārbaude izrādījās būtisks solis, lai novērtētu telpiskās prognozes. Šis pētījums ir atvēris alternatīvu metožu avotu vides īpašību telpiskai interpolācijai.

Izceļ

► Visprecīzākās metodes ir nejaušs mežs un tā kombinētās metodes. ► Nejaušs mežs ir jutīgs pret ievades mainīgajiem. ► Visprecīzāko metožu vidējā līmeņa noteikšana var neuzlabot prognozēšanas precizitāti. ► Vizuālā pārbaude ir būtiska, lai novērtētu telpiskās prognozes. ► Ir izstrādāts alternatīvs telpiskās interpolācijas metožu avots.


Platums, garums un temperatūra

Studenti pasaules kartē aplūko platuma un garuma līnijas, prognozē temperatūras modeļus un pēc tam salīdzina savas prognozes ar faktiskās temperatūras datiem interaktīvā kartē. Viņi apspriež, kā temperatūra mainās atkarībā no platuma, un saikni starp platumu un vispārējiem klimata modeļiem.

Zemes zinātne, ģeogrāfija, fiziskā ģeogrāfija

Saites

1. Apspriediet dažādas temperatūras dažādās vietās.

Aktivizējiet studentu un iepriekšējās zināšanas, vaicājot, vai studentiem ir radinieki, kuri jūnija, jūlija un augusta laikā dzīvo daudz siltākā vai vēsākā vietā nekā studentu dzimtajā pilsētā. Atrodiet šīs vietas sienas kartē vai globusā. Uz tāfeles izveidojiet trīs kolonnu diagrammu vai noformējiet to, kas ir paredzēta. Pirmajā slejā uzskaitiet studentu nosauktās vietas un otrajā kolonnā ierakstiet, vai temperatūra šajās vietās ir līdzīga, vēsāka un siltāka nekā jūsu atrašanās vieta. Jautāt: Kā jūs ģērbtos savādāk, apmeklējot šīs vietas? Trešajā slejā uzskaitiet apģērbus, kas nepieciešami šīm vietām vasaras mēnešos. Apspriediet studentu idejas par to, kāpēc temperatūra var atšķirties. Pastāstiet studentiem, ka šajā nodarbībā viņi prognozēs temperatūras modeļus visā pasaulē.

2. Pārskatiet atšķirību starp platuma un garuma līnijām pasaules kartē.
Dodiet katram studentam izdrukātu MapMaker 1 lappuses pasaules karti, kā arī noformējiet karti no norādītās vietnes. Palūdziet studentiem norādīt un izskaidrot atšķirību starp platuma un garuma līnijām.

3. Izveidojiet leģendu, kas parāda temperatūru.
Zemāk uz tāfeles norādiet temperatūras. Pārliecinieties, ka studenti zina, ka šīs temperatūras ir Celsija grādos, nevis Celsija grādos. Aiciniet studentus izteikt savas idejas par krāsu diapazonu no karstas līdz aukstai temperatūrai. Palīdziet viņiem noteikt šādu tipisko krāsu diapazonu, kur sarkanākais ir karstākais, bet violetais - visaukstākais.
violets = 30 un # 176 F un zemāk
zils = 40 & # 176 F
zaļš = 50 & # 176 F
dzeltens = 60 & # 176 F
oranžs = 70 & # 176 F
sarkans = 80 & # 176 F un augstāks

4. Palūdziet studentiem uzzīmēt vidējo temperatūru pasaulē jūnijā, jūlijā un augustā.

Palūdziet studentiem padomāt par klimatu un temperatūru un vietām, kuras, viņuprāt, ir siltākās vai aukstākās. Dodiet katram studentam sešus krāsu zīmuļus, kas uzskaitīti leģendā, un lūdziet viņus izdarīt labākās prognozes par vidējo temperatūru pasaulē jūnijā, jūlijā un augustā. Pastāstiet studentiem, ka šīs aktivitātes mērķis ir domāt par temperatūras modeļiem visā pasaulē, tāpēc viņu prognozes nebūs precīzas.

5. Pārrunājiet ar studentiem, ko viņi zīmēja un kāpēc.
Veikt klases diskusiju par kartēm. Vispirms palūdziet studentiem paskaidrot, ko viņi uzzīmēja un kā krāsas bija saistītas ar platumu un garumu. Tad lieciet viņiem strādāt mazās grupās un salīdzināt savas kartes ar klasesbiedriem un # 8217 kartēm. Visbeidzot palūdziet studentiem patstāvīgi strādāt, lai izveidotu sarakstu ar jautājumiem, kurus viņiem izvirzīja.

6. Palūdziet studentiem salīdzināt savas kartes ar precīzu vidējās temperatūras karti visā pasaulē jūnijā, jūlijā un augustā.
Parādiet studentiem National Geographic MapMaker Interactive ar atlasīto datu slāni, kas parāda vidējās virsmas gaisa temperatūras visā pasaulē jūnijā, jūlijā un augustā. Palūdziet studentiem aprakstīt savas kartes un interaktīvās kartes līdzības un atšķirības, pārsteidzošas vai negaidītas kartes daļas un jautājumus, kas viņiem ir par karti.


7. Palūdziet studentiem izmantot to, ko viņi ir iemācījušies, lai noteiktu, kā platums un garums ir saistīti ar temperatūru.
Palūdziet studentiem divatā pārrunāt un atbildēt uz šādiem jautājumiem:

  • Kā platums ir saistīts ar temperatūru? (tālāk no ekvatora = vēsāks)
  • Kā garums ir saistīts ar temperatūru? (nav attiecību)


8. Pārliecinieties, ka studenti saprot saikni starp platuma un vispārējiem klimata modeļiem.
Pārgrupējiet un pārrunājiet studentu atbildes. Pārliecinieties, ka studenti saprot vispārējos klimata modeļus, kas rodas, palielinoties platumam. Paskaidrojiet studentiem, ka teritorijas, kas atrodas tālāk no Ekvatora, mēdz būt vēsākas. Norādiet, ka vispārējie klimata modeļi var neparādīt izņēmumus un variācijas augstuma, okeāna straumju, nokrišņu un citu faktoru rezultātā. Palūdziet studentiem sekot platuma līnijai no savas vietas uz austrumiem un rietumiem, lai visā pasaulē noteiktu variācijas šajā platuma grādos.

9. Apspriediet ar studentiem platuma un garuma nozīmi.
Palūdziet studentiem pastāstīt, kāpēc platums un garums ir noderīgi karšu rīki. Aiciniet viņus paskaidrot, kā platums un garums var palīdzēt noteikt konkrētas vietas, kā arī izskaidrot vispārējos klimata modeļus.

Neformāls novērtējums

Palūdziet studentiem vienā no kontūru kartēm norādīt platuma un garuma līnijas. Pēc tam klases priekšā skaļi nolasiet šādus izteikumus un lūdziet viņus uzrakstīt to, ko jūs domājat, ka jūs varētu valkāt, ja patiešām atrastos šajās vietās:


5 Atbildes 5

Viņi to īsti neizvieto kā lat / long aizstājēju, bet vairāk pasta indeksu un adrešu. Ēkas numuram un pasta indeksam (un tam ir IME) var būt ieeja citā ielā, zem estakādes vai dažādi veidi, kas apgrūtina faktiski atrast ieeju ēkā. W3W var mērķēt uz ēkas ieeju vai vietu, kurai nav diezgan precīzi norādīta ielas adrese.

Tomēr es domāju, ka jums ir taisnība būt skeptiskam.

  • Atsevišķu vietu atcerēšanās vieglums.
  • Īsākas vērtības (trīs vārdi, lai atzīmētu 3mx3m kvadrātu, kas lielākajai daļai lietojumu ir vairāk nekā pietiekams), atšķirībā no gariem latiem un gariem skaitļiem. Jo īpaši tāpēc, ka garāki vārdi ir rezervēti kvadrātiem, kurus izmantos mazāk, piemēram, pāri okeānam.
  • Padara uzticamāku (iespējams) atrašanās vietu koplietošanu, piemēram, ar sliktas kvalitātes tālruņa līnijām.
  • Noderīgi tur, kur ielu nosaukumi patiesībā netiek izmantoti, vai vietās, kur viens pasta indekss var aptvert lielu platību.
  • Algoritms ir slēgta pirmkoda programma, un, lai gan izstrādātāji sola sistēmu nespēlēt (piemēram, sponsorēšanas darījumi, lai vārdus, kas izmantoti korporatīvās mītnes identificēšanai, mainītu uz kaut ko, kas attiecas uz šo uzņēmumu, piemēram, Ford galveno mītni identificē vietne cool.motor.cars) a solījums tiešām nav nekā vērts SJO.
  • Licencēšanas izmaksas automobiļu ražotājiem utt., Lai tehnoloģija tiktu izmantota produktos.
  • Nestrādā ar augstumu, lai gan, lai būtu godīgi, nedarbojas arī lat un long, nepievienojot augstuma vektoru.
  • Pašreizējās sistēmas (GPS, lat / long, pasta un amp pasta indeksi) ir tik visuresošas, ka es neredzu, ka šī sistēma kļūtu vispārpieņemta.
  • Tas nav hierarhisks. Tas nozīmē, ka starp blakus esošajos laukumos lietotajiem vārdiem nav nekādas saistības. Ne tikai tas, ka zināt divus kvadrāta vārdus, ļaus jums iegūt aptuvenu priekšstatu par tā atrašanās vietu, piemēram, zināt pilsētas nosaukumu, bet ne iela.
  • Var izmantot tikai elektroniski. Jūs nevarat iegūt savu W3W atrašanās vietu no papīra kartes, kurai vajadzētu būt svarīgai rezerves opcijai ikvienam, kas interesējas ārpus telpām. Lietošana bezsaistē ir iespējama, taču tā ir jāplāno un iepriekš jālejupielādē, ja signāls ir sliktā zonā.
  • Starp dažādām valodu versijām nav sarakstes. Tā ir mana atrašanās vieta angļu valodā, ja nebūtu jēgas kādam lietot sistēmu citā valodā.

Pēc nesenās kalnu glābšanas dienestu kritikas es domāju, ka es to pievienošu:

  • Kalnu glābšanas komandām ir sniegtas nepareizas atrašanās vietas, jo vārdi ir nedaudz nepareizi dzirdēti vai nepareizi ziņoti, kad tie tiek palaisti gar glābēju, izsaukumu operatoru un avārijas dienestu ķēdēm. Lai gan daudzos gadījumos tie acīmredzami ir nepareizi, jo atrodas citās valstīs, Pen Test Partners pētījums to atklāja

W3W bieži sniedza līdzīga skanējuma vārdus un vārdu daudzskaitļa vietas tuvu esošām vietām, kas varētu radīt neskaidrības. Tā, piemēram, round.goal.leader un circle.goals.leader gar Temzas upi atrodas mazāk nekā 1,2 jūdžu (2 km) attālumā.

Kaut kas līdzīgs 73% no What3Words adresēm satur vārdu, kuru var mainīt, vienkārši pievienojot vai noņemot burtu.

Tas dod lielu iespēju glābšanas komandas neapzināti nosūtīt uz nepareizu atrašanās vietu un kavēšanās dēļ apdraudēt cilvēku dzīvības.

Tomēr anekdotiski, tā kā kāds, kuru nesen nācās izglābt no attālas vietas, kur piedalījās divas ekipāžas, kādu laiku pavadīja mūs meklējot, jo viņiem nebija norādīta w3w atrašanās vieta, bet otrs ieradās tieši pie mums, jo viņiem bija . Kopumā es labāk nodotu gan w3w, gan dažus citus atrašanās vietas datus, piemēram, lat & amp long, lai atrašanās vietu varētu pārbaudīt.

Vēl viens What3words lietojums ir āra atkritumu meklētāji vai mīklas ar geocaching.

Ir daudz vieglāk izveidot mīklas, kuru risinājumā ir noteikti vārdi, nevis skaitļi. Varat to izmantot bērnu / pusaudžu dzimšanas dienas ballītēm, kur viņiem jāatrisina mīklas, un 3 vārdi norāda uz vietu, kur paslēpta nākamā mīkla.

What3words jūs izmantojat, ja meklējat ērtības, nevis precizitāti. Pieņemsim, ka jums ir ārkārtas situācija un jums nepieciešama policijas palīdzība. Daudz ātrāk ir ļaut policijai uzzināt jūsu pašreizējo atrašanās vietu, piemēram, sakot aita.gross.bats, nevis skaitļu kopu (51.501381, -0.141830).

To daudz izmanto avārijas dienesti, patiesībā es nesen esmu redzējis padomus neatliekamās palīdzības dienestiem, iesakot cilvēkiem to instalēt savos tālruņos.

Ja atrodaties ārā, vējā un lietū, un kādam ir notikusi nelaime, un jūs atrodaties ceļa malā, pusceļā uz kalnu vai jebkur citur, kur neesat pārliecināts par savu atrašanās vietu vai kā to kopīgot what3words sniedz skaidru un precīzu veidu, kā kopīgot savu atrašanās vietu.

Tas ir daudz vienkāršāk, ja kāds, kurš nav pieradis koordinēt, nolasīt trīs vārdus, nekā atrast un pēc tam nolasīt viņu platumu un garumu. Tas arī nav atkarīgs no datu pakalpojuma esamības, kad lietotne ir instalēta, tāpēc varat pierakstīt 3 vārdus, pāriet uz vietu, kur jums ir signāls, un pēc tam lūgt palīdzību tieši tur, kur tas nepieciešams.

Tas ir arī daudz uzticamāks. Garu skaitļu virkni ir viegli iegūt nepareizi vai nepareizi, vai arī tas ir jāatkārto vairākas reizes. 3 vārdi ir 3 vārdi.

Dienvidjorkšīras policija to izmantoja, lai atrastu 65 gadus vecu vīrieti, kurš nokļuva ieslodzījumā, nokrītot no dzelzceļa uzbēruma Šefīldā.

Ziemeļjorkšīras ugunsdzēsības un glābšanas dienests atrada sievieti, kura avarēja ar automašīnu, bet nezināja, kur atrodas.

Un Hambersaidas policija spēja ātri atrisināt ķīlnieku situāciju pēc tam, kad cietusī varēja darbiniekiem pateikt, kur tieši viņa atrodas.

& quot; Tā bija laika kritiska situācija, un iespēja izmantot trīs vārdu adresi nozīmēja, ka virsnieki varēja tur nokļūt daudz ātrāk, glābt ķīlniekus un arestēt vīrieti, »sacīja Šeldriks.

Tas mums lika saprast, cik ļoti svarīgs ir mūsu paveiktais darbs. & quot

Tā ir stulba sistēma, pat neskatoties uz to. Es neuzskatu, ka tam būtu kādas priekšrocības.

Jums jātiek galā ar homofoniem. Viņu kailie. Brieži un tur. Lāči. Dārgie.

Ja tas ir universāls, jums jātiek galā ar visiem starpvalodu homofoniem, Si spāņu valodā, jūra, un tas ir redzams angļu valodā, ci franču valodā.

Runātā valoda pēc konteksta nes daudz informācijas. Mēģiniet pārrakstīt nejaušus vārdus. Normālā valodā vārda konteksts iepriekš sniedz informāciju par to, kurš vārds gaidāms tālāk. Ja jums kādreiz ir bijusi radio saruna pa trokšņainu kanālu, jūs atklājat, ka viena runas idioma vai mājieni var izsekot visam pārklājumam. Ja jums kādreiz ir bijusi saruna, jūs nesapratāt frāzi, pēc tam atkārtojieties savā galvā, lai pēc vārdiem izmantotu vārdus pēc tam, lai & quot; rekonstruētu & quot; teikto, jūs gūtu priekšstatu par to, par ko es runāju.

Rakstiskajai valodai ir savas nepilnības. Vai jūs plānojat ierobežot savu sistēmu tikai ar ascii characaters? Vai citām tautām ir jāatsakās no visiem diakritiskajiem marķējumiem uz burtiem? Vai visi aziāti zina latīņu burtus?

Rezultāts būs tāds, ka jums tas būs jāizsaka fonētiski vai jānosūta kā teksta virkne ikvienam, kam nepieciešama precīza transkripcija.

Aizmugurējā valstī es tālruni neņemu līdzi. Reģistratūras nav. Kā es varu uzzināt kodu, kurā atrodos.

Tāpat kā tālruņa sistēma, tā cenšas izvairīties no kaimiņu zonām ar līdzīgām koordinātām (rajona kods / vārdi)

Vismaz parastās koordinātu sistēmas ir tolerantas pret noteiktām kļūdām. Grādi līdz 4 vai 5 zīmēm aiz komata jūs atrodat pietiekami tuvu, lai trāpītu ar priežu čiekuru, un, ja dodaties uz parastu izbraukumu, jūsu bāzes cilvēki diezgan tuvu zina, kur atrodaties. Visa UTM ideja ir tāda, ka ar 6 cipariem jūs nokļūstat futbola laukumā - ja cilvēks otrā galā zina, kur esat pirmais, 100 km rādiusā.

Cik no glābšanas aģentūrām to izmanto tagad? Tātad jums ir kavēšanās, kamēr viņi pārvērš Electric.Ambling.Hippos par lat / garu koordinātu kopu kādā tīmekļa lapā. Tā var būt nopietna kavēšanās, jo arī helikoptera bāzes stacijā nav šūnu uztveršanas. Un tikai ceru, ka kāds, kurš to pieraksta, nenolika Erection.Rambling.zippos, kas ir beidzies Austrumhorsebiscuitā, Dienviddakotā.

Vienu reizi izmantoju UTM režģi, lai ziņotu par negadījumu. Mans GPS bija iestatīts tā, lai tas darbotos ar topo kartēm, kuras es nēsāju. Šīm kartēm ir UTM režģis, bet platums / garums tikai malās. UTM ir daudz noderīgāks uz zemes. Izrādās, ka smalcinātāja pilots varēja strādāt tikai ar lat / long. To lasīja viņa ierīce. Izmaksāju man papildu 20 minūtes gaidīšanas, pat ja viņam bija tieši tāda pati papīra karte, kādu es izdarīju. Neradīja papildu skumjas. Zēnam bija saplēsta ceļa saite.

Man tiešām ir InReach. Nospiediet & quotPALĪDZĪBA & quot; pogu, un manas koordinātas ir ceļā uz manu izraudzīto kontaktu. Ja jums ir SPOT, tas darbojas tāpat. Ja jums ir PLB, ieslēdziet to.

Kad esmu aizmugurējā valsts, es izveidoju kontrolpunktu sarakstu. Es atstāju savu karšu kopiju ar kontrolpunktiem ar savu kontaktu civilizācijā. Katru dienu es sūtu gan lat / long, gan arī savu teksta atrašanās vietu attiecībā pret tuvāko pārbaudes punktu. (2 Km austrumu kontrolpunkts 6A), lai noteiktu zināmu kļūdu pārbaudi, ja kāds nepareizi pārraksta koordinātas.

Kā navigācijas palīgs civilizācijas vajadzībām es varu izmantot tālruni, lai nosūtītu piespraudi. Ja es piezvanīju pa tālruni 911, mana atrašanās vieta ir saistīta ar šo zvanu.

Kā spēles palīglīdzekli izveidojiet pats savu.

Es vadīju ROGAINE stila programmu 6 gadus. Man bija 1300 vadības ierīču, kas izkaisīti 200 km2 lielā teritorijā, un katram no tiem bija burtu un ciparu ID un koda vārds. Norādēm bija ID. Atrodot vadību ar to pašu ID, jūs atradāt pareizo. Atgriežot koda vārdu, parādījās, ka jūs tiešām tur esat bijis.


Datu rīki

EOSDIS izplatītie aktīvie arhīvu centri (DAAC) nodrošina centram unikālus rīkus tādām funkcijām kā datu meklēšana un apakškopa. Turpmākajās kategoriju tabulās sniegtajās saitēs ir uzskaitīti daži no šiem pieejamajiem datu apstrādes un servisa rīkiem. Rīki ir iedalīti pēc veida, kas norāda galveno funkciju, tostarp:

  • Meklēt un pasūtīt
  • Datu apstrāde
  • Abonēšana un filtrēšana
  • Ģeogrāfiskā atrašanās vieta, pārprojektēšana un kartēšana
  • Datu vizualizācija un analīze

Meklējiet datu rīku tabulā, noklikšķinot zemāk esošajā meklēšanas lodziņā un ievadot atslēgvārda vārdu, piemēram, DAAC (ASDC, NSIDC, SEDAC utt.), Instrumentu / misiju (GRACE, MODIS, TROPOMI utt.) Vai zinātnes terminu ( virsmas masa, sniega sega, tomogrāfija utt.). Meklēšanas rezultāti sašaurinās tabulas ierakstus, kas piemērojami ievadītajam meklēšanas atslēgvārdam.

Izpētiet visus ASDC publiski pieejamos datus.

  • Atbalsta ASF DAAC SAR datus un Zemes novērošanas satelītu komitejas (CEOS) datus no daudzām citām SAR iekārtām
  • Enables a user to geocode the data using a variety of projections and standard datums
  • Enables user to terrain correct (orthorectify) the data
  • Enables a user to export the images as GeoTIFFs for use in GIS programs
  • Enables a user to export the images as tiffs, jpegs, or pgm files for easy viewing
  • Includes a CEOS metadata viewer
  • Displays thumbnails of imagery as it is loaded
  • Displays thumbnails of imagery that it has processed
  • Includes a simple image viewer
  • Enables user to follow the steps as a Synthetic Aperture Radar (SAR) image is processed from Level 0 raw data to a Level 1 image via the range-Doppler technique.
  • Writes and displays images at each selected processing stage, giving user visibility into the intermediate steps of the process.
  • Enables user to modify various parameters as well as steps that are performed to visualize the impact of each on the final product.

REST service. Batch download examples are provided in Bash, Java, and Python.

  • Plot Types for Single Parameters
  • Area plots of time-averaged parameters
  • Time series plots of area-averaged parameters
  • Meridional averages
  • Zonal averages
  • Vertical profiles
  • Longitude-latitude-pressure-time cross sections
  • Area plots of overlain time-averaged parameters
  • Time series plots of area-averaged parameters
  • Difference plots
  • Scatter plots with regression
  • Temporal correlation maps
  • Animations
  • Climatology and anomalies
  • ASCII output for maps and plot
  • Web services for downloading subsetted data

Giovanni supports an ever growing set of EOS and heritage data collections. Examples of these include aerosol data from MODIS (both Aqua and Terra), MISR, and Goddard Chemistry Aerosol Radiation and Transport (GOCART) models precipitation data from TRMM, multi-satellite analyses, and ground observations atmospheric chemistry data from OMI, MLS, TOMS, and Halogen Occultation Experiment (HALOE) ocean color data from Aqua MODIS and SeaWiFS and atmospheric temperature and humidity profiles from AIRS. In addition, Northern Eurasia Earth Science Partnership Initiative (NEESPI) monthly products are available, as well as CloudSat cloud and MODIS Aqua temperature and humidity data along the A-Train track.

  • Latitude and longitude (rectangular areas)
  • Date and time span (swath data)
  • Dataset parameter, e.g., instrument or sensor HEW is also capable of subsampling by extracting every Nth point of data.

As a stand-alone subsetter, HEW uses a user-friendly web-based front-end to gather the user's subsetting criteria and then submits the subsetting job to the batch queue. The subsetter engine (back-end) can also be used separately by substituting a site-specific front-end in place of HEW's web-based interface.

  • Searching for images by latitude/longitude region, date, path, and orbit.
  • Displaying crossing paths
  • Displaying block range for selected latitude/longitude region
  • The browse image is overlaid on a map which can be turned on and off

Visualization of select parameters available in the MISR Level 3 global data products are provided. The Level 3 products are derived from averaging select Level 1 and Level 2 parameters over daily, monthly, seasonal and annual time periods. Level 3 data contain a range of Level 1 and Level 2 versions.

  • Interactively digitize plumes in order to automatically retrieve heights and winds from MISR multi-angle imagery
  • Make scrollable, single-camera and multi-camera true-color and false-color images of MISR radiance data
  • Create animations of the nine MISR camera images providing a 3-D perspective of MISR scenes
  • Display plots of top-of-atmosphere Bidirectional Reflectance Factor (BRF) vs. camera angle for selected pixels
  • Difference images acquired on MISR orbits that share the same ground track
  • Create map views of MISR orbit locations
  • Save images and animations to disk in various formats

Interactive interface for obtaining MISR paths based on latitude and longitude.

  • Allows users to order and customize data in a single interface.
  • Features include: non-consecutive path and orbit search, sorting search results by date, camera, path, orbit, and file version.
  • Customization options include: subsetting by parameter, block, and spatial coordinates, add latitude and longitude layers, unpacking and unscaling applicable fields.
  • Allows users to save searches and customizations.
  • Support EOS Validation site subsets.
  • Output data format in HDF-EOS stacked-block grid or conventional grid

The Population Estimation Service allows for estimating population totals and related statistics within a user-defined region. The service is accessible through three standard protocols used by many online map tools and clients: the Open Geospatial Consortium (OGC) Web Processing Service (WPS) standard, a Representational State Transfer (REST) interface, and a Simple Object Access Protocol (SOAP) interface. Standards-based clients such as uDig are able to submit requests using the OGC WPS. Users of ArcGIS software from ESRI can submit requests through SOAP. The REST interface is intended for use with lightweight javascript clients.

To access the Population Estimation Service, users need to work with an online map client or Geographic Information System (GIS) software package that supports spatial queries through one of the three supported protocols. The service interfaces are available at: