Exercise 6 ========== .. note:: Please complete this exercise by **the start of the next lesson**. Exercise 6 hints ----------------- Data format for problems 1-3 ~~~~~~~~~~~~~~~~~~~~~~~~~~~~ The first 5 rows of the data file look like the following: .. code:: python STATION ELEVATION LATITUDE LONGITUDE DATE PRCP TAVG TMAX TMIN ----------------- ---------- ---------- ---------- -------- -------- -------- -------- -------- GHCND:FIE00142080 51 60.3269 24.9603 19520101 0.31 37 39 34 GHCND:FIE00142080 51 60.3269 24.9603 19520102 -9999 35 37 34 GHCND:FIE00142080 51 60.3269 24.9603 19520103 0.14 33 36 -9999 As you can see, we have rainfall data (``PRCP``) in inches, and temperature data (``TAVG``, ``TMAX``, and ``TMIN``) in degrees Fahrenheit. Dates of the observations are given in the format YYYYMMDD. No-data values are indicated with ``-9999``. Reading in fixed-width text files ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ Rather than having separation by commas, our data file this week has a variable number of spaces between values. Previously, we read in comma-separated values using the option ``sep=','`` for the Pandas ``read_csv()`` function. For a variable number of spaces we can either use the ``sep`` or ``delim_whitespace parameter``; ``sep='\s+'`` or ``delim_whitespace=True`` will work, but not both. In this case, we suggest using ``delim_whitespace``. Skipping the second row of a file ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ The ``skiprows=n`` option of the Pandas ``read_csv()`` function is an easy way to skip the first *n* rows of a file when reading it. If we wanted to skip the first two rows of our data file, we could thus use ``skiprows=2``. The value for ``n``, however, need not be a single value, but can also be given in the form of a list. In this way, one can skip reading the second row of a file using a list with an index value for the second row. In other words, you can use ``skiprows=[1]``. Joining data from one DataFrame to another ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ One quite useful functionality in Pandas is the ability to conduct a **table join** where data from one DataFrame is merged with another DataFrame based on a common **key**. Hence, making a table join requires that you have at least one common variable in both of the DataFrames that can be used to combine the data together. Consider a following example. Let's first create some test data to our DataFrames. .. ipython:: python :suppress: import pandas as pd .. ipython:: python data1 = pd.DataFrame(data=[['20170101', 'Pluto'], ['20170102', 'Panda'], ['20170103', 'Snoopy']], columns=['Time', 'Favourite_dog']) data2 = pd.DataFrame(data=[['20170101', 1], ['20170101', 2], ['20170102', 3], ['20170104', 3], ['20170104', 8]], columns=['Time', 'Value']) data1 data2 Übung 6 ======= Ziel der Übung -------------- - Rasterdaten im GIS öffnen und kennenlernen - farbliche Darstellung der Rasterwerte anpassen - Rasterdaten in Vektordaten umwandeln - Globale Rasteroperationen anwenden (z.B. Projektion ändern) - Lokale Rasteroperationen anwenden (z.B. NDVI berechnen) Wiki: ----- - `Rasterdaten im GIS öffnen und kennenlernen `__ - `Darstellung von Rasterdaten `__ - `Vektordaten in Rasterdaten umwandeln `__ - `Globale Rasteroperationen `__ - `Lokale Rasteroperationen `__ Daten ----- Ladet euch vom USB-Stick und speichert sie auf eurem PC. Legt einen lokalen Ordner an und speichert dort die Daten. (.zip Ordner müssen vorher entpackt werden.) - Landsat 8 data (Source: Landsat-8 image courtesy of the U.S. Geological Survey; Downloaded via `EarthExplorer `__ - ASTER Global Digital Elevation Map (GDEM) SRTM DEM (Source: `NASA JPL `__ Aufgaben -------- Aufgabe 1: Arbeiten mit Geländemodellen ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ - Verbindet die ASTER-Kacheln (ASTGMT2) miteinander (z.B. mit **merge**). - Bringt das ASTER-Höhenmodell in eine metrische Projektion (z.B. WGS84/UTM 37N). - Verschafft euch einen Überblick über die Höhenwerte. Was sind die maximalen und minimalen Höhen im Untersuchungsgebiet. Schaut dies in den Layer-Eigenschaften nach. - Berechnet aus dem ASTER-Höhenmodell Konturlinien 100 Meter Schritten. - Berechnet ein Hillshade (dt. Schummerung). Aufgabe 2: Arbeiten mit Landsat 8 Daten ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ - In dieser Aufgabe arbeiten wir mit Daten des Landsat 8 Satelliten (*LC08*). Wir nutzen für unsere Analyse die Bänder 2, 3, 4 & 5. Welchen Farben entsprechen diese Bänder? - Erstellt ein Raster Komposit (bzw. **Virtual Raster**) aus den gegebenen Bändern. - Visualisiert das Komposit in Falschfarben, sodass Vegetation rot erscheint (siehe *Symbology*). - Berechnet den Normalized Difference Vegetation Index (bspw. mit dem **Raster Calculator**). - Erstellt anschließend NDVI-Klassen (**Reclassify by table**). Orientiert euch dabei an folgender Einteilung. ================================= ========= Kategorie NDVI ================================= ========= Wasser und Schnee < 0 Felsen, Sand, Gebäude 0 - 0.2 Gras, Sträucher 0.2 - 0.4 Wald und intensive Landwirtschaft > 0.4 ================================= ========= - Stellt die Klassen farblich sinnvoll dar. Aufgabe 3: 3D Visualisierung erstellen ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ - Erstellt ein Polygon (Vektordatei), mit dem ihr die Landsat-8 Daten und das ASTER-Höhenmodell verkleinern (clippen) könnt. Ziel ist es ein Untersuchungsgebiet um den Vesuv zu definieren. - Installiert das Plugin *Qgis2threejs*. - Startet den *Qgis2threejs Explorer*, - aktiviert das ASTER Höhenmodell & das Landsat-8 Bild. - Tipp: Ändere die Überhöhung (exaggeration) in den Scene Settings zu 2.5. - Schaut euch das Modell an, findet eine gute Perspektive und exportiert diese als .png So (oder ähnlich) kann es am Ende aussehen ------------------------------------------ .. figure:: qgisthreejs.jpg :alt: 3D Landschaft 3D Landschaft Quelle: `Qthreejs Plugin `__