3D-карты в Python

Ждали-ждали... дождались! Milos Popovic создал библиотеку forge3d, которая позволяет создавать 3D-сцены для ландшафтов в Python с интерактивным просмотром. Надеюсь что кто-нибудь попробует и сможет рассказать о впечатлениях.

Хочется сравнить forge3d с библиотеками из R-версии Rayverse (это в первую очередь rayshader), которые существуют уже давно. К слову, Tyler Morgan-Wall (это автор rayshader) написал новую статью о том, как можно добавить освещение в 3D-сцены и сделал обзор по новой библиотеке skymodelr, моделирующей небо. Стоит напомнить и про новую книгу, которую написал Milos: Mastering Rayshader: Crafting Stunning 3D Maps in R.

Вот эти панорамные карты очень хороши! Наверняка теперь можно в R или Python что-то подобное теперь сделать.

В рубрике как это устроено у них могу сказать что для меня открытие этого года в том сколько спешно-успешно распространяются сервисы для доступа к геоданным на базе спецификации STAC (SpatioTemporal Asset Catalogs). Я как раз обновляю реестр каталогов данных Dateno и у меня сервисов поддерживающих спецификацию STAC накопилось уже 168. Скорее будет больше. При этом изначально я их классифицировал как отдельное ПО, потому что большая часть сервисов были на базе референсных реализаций, а правильнее классифицировать как протокол, а ПО определять иначе. Например, после появления расширения STAC для Geoserver (ПО с открытым кодом для создания OGC совместимых API, используется по всему миру)

Особенность спецификации STAC в том что из нее сложно преобразовывать в другие спецификации и отсюда сложность в индексации в Dateno. То что обычно называют датасетом в STAC называется каталогом, в рамках этого каталога публикуются ресурсы охватывающие территорию заданную этим каталогом, но в разные промежутки времени (еженедельно, ежедневно, ежечасно и тд). В результате внутри одного набора данных могут быть тысячи и миллионы файлов. Рассматривать ресурсы как отдельные наборы данных будет некорректно, а как отображать карточки с таким числом файлов непонятно.

И, кстати, перечень каталогов STAC сервисов на StacIndex неполон, у нас в реестре Dateno полнее будет, а в живой природе их сильно больше потому что, как я упоминал, он теперь поддерживается расширением GeoServer'а, а этих инсталляций в мире очень много.

P.S. Кстати, у Роскосмоса тоже есть открытый STAC каталог, с декларируемыми примерно 200ТБ данными. Явление необычное при нынешнем тренде в РФ на закрытость.

#opendata #geodata #datasets

Париж

Ничего не знаю про социальную географию Парижа, но тут попалась карта результатов недавних выборов мэра.

Победил однопартиец любимой у урбанистов Анн Идальго — Эммануэль Грегуар. Но интереснее другое: посмотрите, как чётко распределились голоса между социалистами и республиканцами.

Я быстро загуглил карту доходов — и, как и ожидалось, выбор кандидата напрямую коррелирует со средним доходом.

Как минимум теперь запомню, где в Париже находятся более обеспеченные районы (синий на карте).

P.S. Естественно богатые живут рядом с крупнейшим парком города — Булонским лесом.

#зоопарк_одобряет

RusWeather-GF: "дневник российской погоды" за 44 года с привязкой к местности

Ученые из Почвенного института им. Докучаева (Москва) проделали колоссальную работу: собрали ежедневные данные по температуре и осадкам для 593 метеостанций России за 44 года (1980–2023), закрыв все пробелы и привязав станции к высокоточным топографическим моделям. Получился первый в своём роде открытый набор данных, готовый для любых климатических расчётов.

Кто-то скажет "такое уже было". Не совсем: в исходных архивах Росгидромета не хватало примерно 1.6% записей по температуре и 1.8% по осадкам. На первый взгляд, немного, но беда в том, что пробелы были распределены очень неравномерно. Восстановление данных делалось разными методами (несколько физических моделей + ИИ, подробнее в статье) - и получилось отлично, корреляция очень высокая.

Впервые к каждой станции привязали цифровую модель рельефа FABDEM v1.2 — высоту над уровнем моря, крутизну склона и шероховатость поверхности. Это критически важно для горных районов, где климат меняется на десятках метров.

Данные выложены на Zenodo, ну, а статья по мотивам проделанной работы вышла в Atmospheric Research (IF = 4.4). На картинке - распределение метеостанций в России

Сегодня хотим поделиться одним из самых продвинутых 3D-рендеров Openstreetmap - StreetGL.

В силу своей открытости и наполнения силами сообщества Openstreetmap - в первую очередь база данных, и только во вторую - карты.

Рендер редко обновляется, как и все существующие 3D-рендеры для OSM, однако данный наполнен уникальными моделями объектов лучше других

GEM-Forest — глобальная карта лесов и многолетних насаждений с разрешением 10 м за 2020 год, построенная на основе спутниковых эмбеддингов Alpha Earth Foundation (AEF) от Google DeepMind с помощью метода опорных векторов. В отличие от большинства глобальных карт лесов, GEM-Forest разделяет леса и многолетние насаждения, такие как масличная пальма, гевея, кокосовая пальма, оливки и фруктовые деревья.

Набор данных представлен в двух вариантах.

🌳 GEM-FnF2020 — бинарная карта “лес/не-лес”, соответствующая определениям леса ФАО и EUDR. Её общая точность составляет 91%, а F1-мера — 0,90 при валидации на независимой выборке из примерно 21 000 точек.
🌳 GEM-TC2020 добавляет класс многолетних насаждений как подкласс “не-леса”, с общей точностью выше 85% для большинства типов древесных культур.

Поскольку эмбеддинги AEF охватывают период 2017–2025 гг., одни и те же обученные веса модели могут применяться на всём этом временном интервале и пользователи могут строить согласованные годовые карты для обнаружения изменений без необходимости дообучения или перестройки вспомогательных наборов данных.

🌐 Данные на Google Earth Engine
📥 Zenodo
📖 Методика

#GEE #данные #лес