Exercise 6

Exercise 6#

Bemerkung

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:

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.

In [1]: data1 = pd.DataFrame(data=[['20170101', 'Pluto'], ['20170102', 'Panda'], ['20170103', 'Snoopy']], columns=['Time', 'Favourite_dog'])

In [2]: data2 = pd.DataFrame(data=[['20170101', 1], ['20170101', 2], ['20170102', 3], ['20170104', 3], ['20170104', 8]], columns=['Time', 'Value'])

In [3]: data1
Out[3]: 
       Time Favourite_dog
0  20170101         Pluto
1  20170102         Panda
2  20170103        Snoopy

In [4]: data2
Out[4]: 
       Time  Value
0  20170101      1
1  20170101      2
2  20170102      3
3  20170104      3
4  20170104      8

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:#

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#

3D Landschaft

3D Landschaft#

Quelle: Qthreejs Plugin