Suite

Valeurs d'ombrage pour l'hiver et l'été


Je travaille avec des valeurs d'ombrage d'été et d'hiver qui ont été calculées dans ArcGIS9.3 (mais je les affiche/travaille maintenant avec elles dans ArcGIS10.2).

Les valeurs d'ombrage ont été calculées à l'aide de l'outil d'ombrage avec des DEM de 30 m. Logiquement, je suppose que si deux emplacements d'échantillonnage avaient exactement les mêmes valeurs d'ombrage hivernal, ils devraient également avoir exactement les mêmes valeurs d'ombrage estival. Cependant, les données ne correspondent pas à ce processus de réflexion.

Quelqu'un peut-il donner une raison/situation où les sites peuvent avoir des valeurs d'ombrage estivales différentes alors que leurs valeurs hivernales sont identiques ?


L'ombrage est basé sur l'angle entre la normale à la face de la pente et les rayons du soleil. Cet angle est dans un espace 3D, donc une combinaison différente de pente et d'aspect donne la même valeur (comme un cône avec le rayon du soleil pour axe). En hiver et en été, l'élévation du soleil et l'azimut du soleil peuvent être différents à la même heure de la journée. Ainsi, vous pouvez avoir des angles différents en été alors que les angles étaient les mêmes en hiver.

Remarque : même en 2D, vous auriez éventuellement le même angle soleil/objet pour des pentes différentes (maximum 2, alors qu'en 3D il y a l'infini). Dans l'exemple ci-dessous, vous pouvez voir 2 pentes (faces verticales et horizontales) qui auraient la même valeur d'ombrage en hiver (avec le soleil à 45 degrés) mais des valeurs d'ombrage différentes en été.


Laboratoires et travaux de recherche en systèmes et technologies d'information géographique


Figure 2 : Carte numérique de l'Irak, utilisation d'ArcGis pour créer des polygones des provinces et de l'ensemble du pays de l'Irak, des fichiers de formes pour créer des capitales et des polylignes pour créer les deux principaux fleuves d'Irak. La version jpeg (image 1) a été utilisée comme référence afin de créer des lignes/formes précises de rivières, de villes et de provinces. Cette carte peut maintenant être utilisée pour afficher les informations souhaitées sur ce pays.

Image 3D de l'emplacement

L'objectif principal de la mission était d'analyser la quantité de rayonnement solaire absorbée dans les montagnes de Santa Monica au cours des quatre saisons (automne, hiver, printemps et été). L'isolement sera mesuré dans ce laboratoire. Dans le site Web du briefing éducatif de la Nasa, ils définissent l'isolement comme le rayonnement solaire reçu à la surface de la Terre. La formule utilisée pour mesurer l'isolement, comme décrit dans la conférence, est I (Isolation) = S (environ 1000 W/m^2 par temps clair) * Cos Z (Zenith Angle) . Il est important de déterminer la quantité de rayonnement solaire absorbée par la terre. Nous pouvons déterminer le temps qu'il y a suffisamment de couverture végétale dans différentes zones en utilisant la procédure de ce laboratoire et cela, en analysant l'isolement en utilisant la formule et en regardant des graphiques.

L'analyse a eu lieu en téléchargeant un DEM des montagnes de Santa Monica sur le serveur transparent de l'USGS. J'ai obtenu un fichier de formes de végétation californien et modifié la projection afin d'analyser le DEM et la végétation avec succès. Après avoir corrigé la projection, je suis allé sous la barre d'outils de l'analyste spatial et j'ai sélectionné l'option de conversion “features to raster” afin de convertir le fichier de formes en fichier raster. Après la conversion, j'ai coupé les fichiers DEM et de végétation afin que la carte puisse se concentrer sur les montagnes de Santa Monica. J'ai fait une carte de pente et d'aspect des montagnes de Santa Monica, je vais l'utiliser pour voir jusqu'où le rayonnement solaire parcourra en termes de pente. L'étape suivante consistait à calculer les angles solaires pour chaque saison. Je me suis concentré sur les angles solaires à partir de 2010. Je suis allé sur ce site Web : http://susdesign.com/sunangle/ J'ai choisi la latitude de 34,01 degrés nord et la longitude de 118,47 degrés ouest car elles sont situées dans les montagnes de Santa Monica. Après avoir saisi la latitude et la longitude. J'ai mis les dates où les saisons se produiraient et j'ai concentré l'heure à 12h00. (c'est à ce moment-là que le rayonnement solaire est à son maximum). J'ai dû répéter cette étape quatre fois et noter l'altitude et l'azimut. Sous l'outil d'analyse spatiale, j'ai créé un ombrage pour chaque saison, afin de produire une carte de la saison, je devais saisir les informations solaires que j'avais recueillies sur le site Web de l'angle solaire. J'ai placé le shapfile de végétation californienne sous forme d'ombre transparente dans chaque bloc de données d'ombrage afin de pouvoir analyser la variation du rayonnement solaire. J'ai créé un tableau dans lequel tous les types de végétation (espèces) sont répertoriés et leur fréquence sur les montagnes de Santa Monica. J'ai calculé l'isolement pour chaque saison manuellement en utilisant la formule I=SCosZ. J'ai défini le S = 100 et calculé le Z à l'aide de la formule du zénith sur le site Web du briefing éducatif de la Nasa. Enfin, j'ai rassemblé les six cartes et les ai organisées par ordre afin que vous puissiez facilement les trouver et les analyser individuellement. Le fichier de formes de la végétation se trouve sous le DEM afin que je puisse analyser la couverture terrestre au cours des différentes saisons. Au cours des quatre saisons, l'ombrage d'été a produit la carte la plus brillante. Il y a quelques portions sombres, ces portions sont généralement des zones montagneuses escarpées où le rayonnement solaire n'est pas suffisamment absorbé. Il est évident que la terre s'incline vers le soleil. il y a donc une plus grande quantité de rayonnement solaire absorbé. Le rayonnement solaire absorbé pendant l'été était de 957 w/m^2 (le plus élevé de toutes les saisons). Au printemps et à l'automne, les deux cartes se ressemblaient et il y avait des taches plus sombres dans les zones montagneuses et il était évident que les régions montagneuses n'absorbaient pas suffisamment le rayonnement solaire comme en été. L'isolement absorbé à l'automne et au printemps était de 801 w/m^2. Ils avaient tous les deux le même nombre car car la déclinaison solaire au printemps est de 0 degré, il y a un équinoxe. La terre absorbe toujours une quantité généreuse de rayonnement solaire et diffère de l'été de 156 w/m^2. Enfin, la saison la moins absorbante du rayonnement solaire était l'hiver. Au cours de cette saison, la terre est inclinée loin du soleil, ce qui entraîne moins d'heures d'ensoleillement. Cela explique pourquoi la carte d'ombrage hivernal est la plus sombre. L'isolement total pour l'hiver est de 511 w/m^2 , soit environ 43 % de moins qu'en été. La végétation aurait eu du temps à survivre pendant cette saison en raison du manque d'isolement. Le graphique statistique que j'ai créé était la moyenne de toute la végétation de la région de Santa Monica Mountain. Les symboles se traduisent par : “UA” signifie “Urban-Agriculture,” “HG” signifie “Annual Grass,” CA signifie “Chamise-Redshank Chaparrell,” et enfin “SS” signifie “California Sage Brush.” C'étaient les quatre types de végétation de la région de Santa Monica. Le chaparrell Chamise-Redshank était le plus dominant de la région, représenté par un rose pâle sur toutes les cartes. L'agriculture urbaine était faible et suggère donc qu'il y a un faible nombre de perturbations humaines dans la zone de montagne, bleu clair sur toutes les cartes.
Maintenant que j'ai la formule d'isolement et les cartes pour les différentes saisons, je peux aller plus loin avec ce labo. Je peux analyser différentes années de la région montagneuse de Santa Monica et déterminer si la couverture terrestre ou la végétation a changé au fil des ans en raison du rayonnement solaire. Je peux également déterminer la météo L'isolement varie selon les années et je peux calculer une moyenne s'il y a une variation.

Page Web de la NASA Educational Briefs , http://edmall.gsfc.nasa.gov/inv99Project.Site/Pages/
science-briefs/ed-stickler/ed-irradiance.html

Conférence de la semaine 2, Conférence2_DEM_Algorithms.pdf


Proposer Downtown Los Angeles comme une extension de l'UCLA. L'UCLA est un campus d'environ 400 acres qui emploie et abrite au moins 60 000 personnes (site Web de l'UCLA). Il a été fondé en 1919 et existe depuis dans la partie ouest de Los Angeles. À un moment donné, ce campus ne peut contenir qu'un nombre limité de personnes et nous devrions donc tous commencer à réfléchir à d'autres endroits où l'UCLA pourrait se ramifier sur un autre campus. Je propose que le nouveau campus satellite soit construit au centre-ville de Los Angeles. J'ai fait une analyse d'adéquation en analysant la population, les zones tampons de transport et les utilisations des terres proposées par le comté de Los Angeles. L'analyse d'adéquation déterminera que le centre-ville de Los Angeles est le mieux adapté pour le nouveau campus qui accueillera 5 000 membres du personnel et étudiants supplémentaires. J'ai fait une mise en page de six cartes présentant l'emplacement actuel de l'UCLA et les trois autres cartes représentent l'expansion future de l'UCLA, qui sera appelée UCLA2. La première carte illustre l'adéquation de l'utilisation des terres. Près de l'UCLA, il existe actuellement une forte densité de végétation (représentée en vert), des zones résidentielles basses près des montagnes (représentées en jaune) et quelques immeubles commerciaux et de bureaux (représentés par un vert foncé). Au centre-ville de Los Angeles, près de Broadway et du 4e, ils se composent principalement de gratte-ciel (marron clair), de bureaux (marron), de zones commerçantes (magenta) et d'espaces vacants (violet foncé).

La deuxième carte montre la population du centre-ville de Los Angeles et de l'ouest de Los Angeles, où se trouve l'UCLA. En analysant les moyennes de la carte UCLA dans la zone bleu foncé, 5971-13429 mille personnes. Le centre-ville de Los Angeles, quant à lui, se situe dans la zone violette qui compte en moyenne 3152 à 5970 000 personnes. La carte des transports localise la distance entre les autoroutes et les aéroports depuis l'UCLA et le centre-ville de Los Angeles. L'UCLA est la plus proche de l'aéroport international de Los Angeles et de l'aéroport de Santa Monica. Il est également entouré de deux autoroutes principales, la 405 Nord/Sud et la 10Est/Ouest. Le centre-ville de Los Angeles est un peu plus éloigné de l'aéroport international de Los Angeles, mais il y a plus d'options d'autoroute. Le centre-ville compte environ 5 autoroutes qui se croisent à un moment donné. Ces autoroutes sont la 10Est/Ouest, la 101 Nord/Sud, la 110 Nord/Sud, la 2 Nord/Sud et la 5 Nord/Sud. Plus il y a d'accès à l'autoroute et plus près des autoroutes, plus il est facile de se déplacer d'un endroit à un autre.

Le centre-ville de Los Angeles est un excellent emplacement pour le nouveau campus de l'UCLA en raison de l'emplacement actuel des bureaux et des zones vacantes disponibles pour le réaménagement et la construction. Les bureaux, les entreprises, l'architecture et la culture actuelle qui restent au centre-ville peuvent profiter aux étudiants dans différents domaines tels que en tant que majeures en affaires ou majeures liées à la culture, pour n'en nommer que quelques-uns, dans leurs recherches.

Le centre-ville était un lieu emblématique à l'époque des années 50 (Pomfret). Tout le monde voulait être au centre-ville mais ça s'est dégradé. Tout récemment, les gens commencent à investir des millions pour reconstruire et développer un plus grand centre-ville (Pomfret). Une université prestigieuse comme UCLA mérite d'obtenir une place
à l'honneur dans le centre-ville de Los Angeles avec le Staple Center et L.A Live (espace shopping et restauration de divertissement). Les gens se déplacent lentement vers le centre-ville, ce qui le rend moins encombré que l'ouest de Los Angeles où se trouve actuellement UCLA.

Le transport est très important au centre-ville. UCLA est peut-être plus proche du L.A.X. mais le centre-ville a plus d'options d'autoroute. Cela donnera aux nouveaux employés et étudiants différentes options parmi lesquelles choisir. Les principales lignes de bus se croisent toutes dans le centre-ville de Los Angeles, ce qui facilite les déplacements. Le 10 West est facilement accessible pour faire des allers-retours entre le campus principal de l'UCLA et le campus satellite.

Pomfret, John. « Le centre-ville de Los Angeles obtient un remake de 10 milliards de dollars. » The Washington Post

Site Web de l'UCLA. “http://www.ucla.edu/about.html.”

Le géoréférencement des images est une tâche courante qui est utilisée en télédétection, utilise
enregistrement d'images (Semaine 5 Conférence). Le point principal du géoréférencement est d'appliquer
coordonnées du monde sur des cartes et des images (conférence de la semaine 5). Toujours selon le
les points utilisés sur ces cartes sont appelés points de contrôle et ils aident à développer
modèles à partir d'images afin de faire des analyses G.I.S. Dans ce laboratoire, j'ai pu appliquer ces
notions. La tâche de ce laboratoire était de se rassembler en groupes et de collecter des points GPS
sur tout le campus de l'UCLA. Il y avait environ 30 points de contrôle environ tous
ensemble. J'ai sélectionné 15 des points appropriés pour l'image ortho et cela m'a également donné un
petit numéro d'erreur.

Si vous zoomez sur la carte, vous verrez les 15 symboles de lièvre croisé que j'ai utilisés comme
mes points de contrôle de géoréférencement. Voici un tableau détaillé qui montre les points que j'ai gardés :

Mes points sont également dispersés dans tout le campus. L'erreur RMS totale du
points de contrôle était de 4,20512. Si l'erreur est supérieure à 10, votre modèle ne sera pas précis. je
choisir des points éloignés des arbres ou facilement couverts ou entravés
avec le signal GPS. Lorsque j'ai ajouté le calque de rue sur l'image ortho, certains des
les rues ne s'alignaient pas parfaitement mais leur emplacement était trop éloigné de la position d'origine
de la rue. Par exemple Westwood parfaitement aligné avec l'image ortho. Une rue
c'était Strathmore, j'aurais peut-être dû inclure un point de contrôle près de ça
zone afin que la position de la rue s'aligne mieux.

Il y a certaines choses que vous devez surveiller si vous envisagez d'utiliser le GPS
et SIG ensemble pour l'analyse. Le principal problème est les points de localisation donnés par votre GPS.
Le signal est crucial pour qu'une unité GPS vous donne des points de données précis. Alors si vous êtes dans
une région couverte de bâtiments ou de végétation telle qu'un arbre, il y aura une grande erreur et
vos données SIG seront inexactes. Dans G.I.S, il est important que toutes les données aient le même
projection. Une fois que vous recevez les points GPS, prenez toujours le temps d'inclure la projection
système de coordonnées dans votre carte GPS. Toutes les projections doivent correspondre afin que l'analyse
vous produisez à l'aide du SIG n'est pas incertain. De plus, les données GPS doivent être dispersées uniformément
tout au long de la carte afin que les modèles produits à l'aide du SIG soient précis.

Les références:
Professeur Sheng. Conférence 5.“Lecture5_ImageRegistration.pdf”

Lors de la conférence, il a été expliqué que l'analyse des bassins versants fait référence au processus d'utilisation
DEM’S et opérations de données raster pour aliéner les bassins versants et se concentrer sur les réseaux de cours d'eau
(Semaine 6 Conférence). L'analyse des bassins versants est importante pour ceux qui
les domaines de l'hydrologie, des ressources en eau et des applications environnementales. Dans ce laboratoire, je
appliqué le processus d'analyse des bassins versants sur le plateau tibétain. Basé sur le tibétain
DEM J'ai pu analyser l'orientation du flux et diviser les flux en 6 flux différents
ordres. Lors de l'analyse de mon cours d'eau, il a été supposé que l'eau des cours d'eau
flux de haut en bas et il coule également en continu.

La zone d'étude, le plateau tibétain, s'étend sur environ 7 degrés de latitude et 10
degrés en longitude. Vous pouvez jeter un oeil à la carte-image Landsat afin de donner
vous une idée topographique de la zone sur laquelle je vais travailler. La qualité de cette image est
pas le meilleur. A en juger par la résolution, il semble qu'il s'agisse d'environ moins de 90 mètres.
C'est médiocre par rapport à d'autres images satellites accessibles à 10 mètres
résolution. A en juger par l'image de cette zone n'est pas affectée par l'urbanisation et
par conséquent, il n'est pas perturbé par les humains pour le moment. Toutes les données obtenues pour ce laboratoire
se compose d'une mosaïque d'images ETM du plateau. Le DEM de cette zone a également été utilisé
et enfin le shapefile (polygones) des lacs. Ces informations ont été obtenues auprès du
lecteur de classe. La dernière information utilisée provient du bassin hydrographique
site Internet. C'était le réseau de drainage du plateau tibétain.

Les étapes suivantes ont été utilisées pour effectuer l'analyse du drainage. j'ai utilisé
le laboratoire et la conférence pour me guider dans l'analyse de la zone. La première étape consistait à
télécharger le modèle DEM du plateau sur arcgis. Le DEM a besoin de travailler
fait avant de l'utiliser pour l'analyse du bassin versant. En cours, il est recommandé que le
DEM est rempli, toutes les dépressions qui sont dans le DEM seront remplies donc il y a un minimum
erreurs dans la conduite de l'analyse. Le bassin et la zone doivent avoir une valeur Z dans
commande ont une analyse précise, puisqu'il y a eu des non remplissages dans le DEM (ce qui fait en
imprécis). La valeur Z utilisée pour mon analyse était de 15. Après avoir fait la préparation DEM
un nouveau DEM a été créé avec la valeur Z et le remplissage. Le deuxième pas que j'ai fait
était de créer un raster de flux, qui montre la direction dans laquelle l'eau s'écoulera de chaque
cellule (Semaine 6 Conférence ). Afin de déterminer le flux, j'ai utilisé le sens du flux
détermination à partir de la diapositive de la conférence, où la chute d'altitude est montrée à partir de la
cellule du centre à la cellule de droite, +8. Dans la troisième étape, j'ai calculé l'étendue du drainage
système à l'aide de l'outil Bassin. J'ai reclassé puis converti le raster en entité.
Le bassin est maintenant transformé en polygone (délimité par un trait noir). Ensuite, j'ai converti
le raster d'accumulation de flux dans une entité . C'est l'étape où je donne les streams
directions.Ce raster est le résultat du raster de direction de flux. Une valeur (100) a été
produit qui a résulté du flux de classe la plus basse, un flux qui reçoit un
quantité importante d'eau provenant de zones où l'eau circule du pic jusqu'au
vers le bas. Dans cette étape, j'ai utilisé la méthode Strahler pour produire l'ordre des flux
en utilisant l'ordre de grandeur. Mes données d'entrée afin de déterminer la commande étaient les
reclassement des cours d'eau et le raster de direction d'écoulement. Des polylignes ont été créées qui s'étendaient
de 1 à 6 et ils sont représentés dans différentes nuances de bleu. Enfin, j'ai arrangé tous mes
couches afin que vous puissiez voir les ordres du cours d'eau, la direction, le polygone du bassin et
fichiers de formes du lac. Dans l'ensemble, j'ai joué avec mes valeurs jusqu'à ce que je sente que la carte était précise. moi aussi
réarrangé les fichiers. J'ai laissé les ruisseaux au-dessus des lacs pour voir où ils
voyage et les classes dont ils relèvent. Je l'ai utilisé comme visuel, pour aider à analyser le bassin.

Cette analyse a permis d'analyser les lacs et les cours d'eau du bassin. Dans la carte un
peut voir le débit des ruisseaux et où les ruisseaux se connectent aux différents
des lacs. Une fois que vous voyez où les ruisseaux se connectent, vous pouvez voir dans quel bassin se trouvent les lacs
situé dans. Certains cours d'eau peuvent partager des bassins entre eux. Aussi, avec les résultats
avec cette analyse, vous pouvez également déterminer le type de terrain qui se trouve dans la région.
Par exemple, la zone peut être une zone humide. Cette analyse peut également être utilisée pour déterminer
si le terrain est adapté à une utilisation future des terres. Comme vous pouvez le voir, la zone n'est pas peuplée,
il peut donc être intéressant pour certains urbanistes d'utiliser le terrain constructible ou
tout ce qui concerne les affaires. Il y a beaucoup de ruisseaux donc les sols peuvent être facilement érodables,
sableux comme en raison des roches et du gravier qui voyagent constamment. Ce n'est pas quelque chose qui
est adapté pour la construction de structures sur. Ceci n'est qu'un exemple de la façon dont cette analyse peut
sois utile.

Lorsque vous effectuez cette analyse, vous devez faire attention à la façon dont vous calculez et
recréez vos fichiers raster. Assurez-vous de saisir les bons fichiers, sinon vous n'obtiendrez pas
les résultats souhaités. Par exemple, lors de la création de la direction du flux, il est important de
obtenir une valeur précise.

Les références:
Semaine 6 Conférence. Watershed_Analysis.

Dans le cours, l'analyse de réseau a été décrite comme une procédure utilisée pour modéliser
le système de réseau du monde réel d'entités linéaires qui a les attributs appropriés pour
le flux de l'objet (Leçon 7). Le réseau, comme mentionné dans la conférence également, est basé sur
lignes à l'endroit où les intersections se rencontrent. Les lignes sont continues et n'ont donc pas d'espaces ou
pauses. Ceci est la version arcGis de google maps. La seule différence serait que
les points de localisation sont saisis manuellement.

Dans ce laboratoire, je voulais localiser des terrains de golf publics près de West Los Angeles. Beaucoup
les endroits près du Westside ont des country clubs privés qui ne sont pas ouverts au public,
ce qui rend difficile de profiter de mon passe-temps de golf. Je voulais faire une carte où quelqu'un
sera en mesure de trouver le terrain de golf le plus proche accessible au public . j'ai commencé le
emplacement près de mon appartement, 3400 Greenfield Ave, Los Angeles, ca 90034 et serait
puis quels sont les deux terrains de golf publics qui me conviennent le mieux. Le plus proche de
mon appartement était le parcours de golf Rancho Park, 10460 west pico blvd., Los Angeles, Ca
90064. il est situé à 2,6 miles de mon appartement. Il faudra environ 5 minutes pour
arriver ici (représenté en vert sur la carte “Time Difference”. Le deuxième terrain de golf public
est Griffith Park Golf Course, 4730 Crystal Spring Drive, Los Angeles, Ca 90027 est localiser
à environ 18 miles de mon appartement. Il me faudra plus de 15 minutes pour obtenir
ici (représenté en rouge). Dans l'ensemble, j'ai pu voir quels terrains de golf publics se trouvent à proximité de mon
appartement et les distances. J'ai comparé mes résultats avec google et ils étaient
exact.

Pour que je puisse accomplir ce laboratoire, j'ai dû télécharger le fichier street shapfile sur
arcgis ainsi que mon fichier de formes de loisirs du site Web de l'UCLA mapshare. j'ai activé
l'outil d'analyse de réseau dans l'analyste et les extensions. De là, j'ai créé deux
parcours différents pour chaque golf. Comme j'ai trouvé le terrain de golf, j'ai cherché mes barrières
en utilisant l'icône binoculaire et confirmé mes emplacements., comme mentionné ci-dessus. Aussitôt que je
terminé mes itinéraires, j'ai commencé à créer un nouveau bloc de données de service. Les nouvelles données de service
cadre montre trois intervalles de temps (5-15 minutes) entre les parcs eux-mêmes. je
situé les installations et peu de temps après, j'ai créé les trois polygones. J'ai également précisé dans mon
évalue les trois classes de temps que je voulais afficher. À la fin du labo, comme vous pouvez le voir, je
créé trois cartes montrant le décalage horaire, et chaque itinéraire individuel de mon
appartement. Une analyse similaire peut être utilisée pour analyser des emplacements entre différents endroits.


Introduction

Le rayonnement à ondes courtes comprend 85 % du rayonnement solaire sous forme de flux incident et est la principale source d'énergie solaire qui entraîne de nombreux processus importants liés aux systèmes énergétiques et agricoles (Klassen et Bugbee 2004). L'estimation du rayonnement descendant à ondes courtes (ci-après DSR) est utilisée en agriculture (modélisation des cultures) en hydrologie pour l'analyse des bassins versants et du ruissellement, les études liées au climat et pour l'estimation de la prévision de l'énergie solaire en temps réel (NOAA-NESDIS ATBD juillet 2012) . Le rayonnement descendant à ondes courtes (ci-après DSR) est une source très variable sur une base spatio-temporelle à la surface de la terre, donc une source fiable d'estimation (calcul) est une condition préalable à l'exploitation de son potentiel dans n'importe quelle région. Plus précisément, dans les zones au relief montagneux irrégulier, les stations météorologiques et radiométriques sont dispersées et manquent de données météorologiques et climatiques actualisées. Dans de nombreuses applications climatologiques et météorologiques, une simulation ponctuelle précise (extrapolation ou interpolation) dépend de données pré-observées à une courte distance spécifique du lieu d'étude cible (Jeffrey et al. 2001).

Les méthodes statistiques donnent de bons résultats dans la zone cible et les sites avec un terrain régulier, pour l'extrapolation et l'interpolation des variables climatiques, à partir des sites et de la zone de référence (Custer et al. 1996 Thornton et al. 1997 McKeeny et al. 2006 Hamann et Wang 2005) Cependant, les calculs résultants ne sont pas fiables et montrent des divergences lorsque les stations d'échantillonnage sont dispersées sur un terrain complexe (Hamann et Wang, 2005). Sans analyser les facteurs physiographiques locaux dans une zone avec un terrain irrégulier, les calculs ne seront pas utiles pour produire de meilleures données climatiques (Custer et al. 1996 Almeida et Landsberg 2003). Par conséquent, une approche méthodologique avancée et fiable doit être adoptée qui prend en compte les facteurs locaux et physiographiques des sites et de la zone cibles sur un terrain complexe et génère des données de sortie spatio-temporelles fiables.

L'approche progressive a été trouvée en concentrant les études d'évaluation du flux solaire sur l'estimation du climat et de l'éclairement énergétique, et les derniers modèles et études de recherche ont été développés sur une approche basée sur l'extrapolation et l'interpolation. Les modèles d'interpolation et d'extrapolation spatiales pour les données climatiques sont des modèles de régressions d'élévation de paramètres sur des pentes indépendantes (PRISM, Daly et al. 2008), et DAYMET (Thornton et al. 1997) qui génèrent des données climatiques à base de grille continue sur des données multi-météorologiques. gares. Cependant, ces modèles nécessitaient plusieurs stations pour l'extrapolation des données. Le modèle avancé d'extrapolation du microclimat en montagne (MTCLIM) (Running et al. 1987 Hungerford et al. 1989) a été développé et appliqué pour l'extrapolation des composantes météorologiques et microclimatiques. Les études avec MTCLIM-Applications (grâce à son développement mis à jour) sont Glassy et Running (1994), Thornton et al. (1997, 2000), Chiesi et al. (2002), Almeida et Landsberg (2003), Hunter et Meentemeyer (2005). Grafius et Malanson (2009) ont évalué le modèle climatique MT-CLIM pour l'estimation des chutes de neige sur les sites de la limite forestière de l'ouest des États-Unis afin d'améliorer la modélisation des réponses de la limite forestière alpine au changement climatique. Lo et al. (2011) évaluent les performances du modèle MTCLIM dans trois sites arides situés dans le sud de l'intérieur de la Colombie-Britannique, avec des variables météorologiques requises pour des données courtes, et ont observé des valeurs de données meilleures et précises pour la température des sites cibles.

Peu d'études ont été trouvées sur l'évaluation du rayonnement solaire, en particulier les composants du rayonnement sur un terrain complexe au Pakistan, notamment Ambreen et al. (2011), Sultan et al. (2014) et Sultan et al. (2015). Cependant, aucune étude n'a été trouvée sur l'estimation du rayonnement à ondes courtes dans la région (Pakistan) particulièrement complexe du terrain et la zone d'étude cible. Cependant, selon les études de date (à la connaissance des auteurs), MTCLIM ainsi que la version avancée de MTCLIM-XL n'ont pas encore été appliqués ou évalués pour l'estimation de DSR sur des sites situés sur un terrain complexe avec un manque de données au sol. De plus, MTCLIM n'a pas inclus l'effet des horizons locaux dans un terrain complexe qui obstruent le rayonnement incident vers les surfaces en raison du relief ombré. Objectivement, pour évaluer le rayonnement descendant à ondes courtes et sa variation spatiale et ses sites potentiels basés sur la distribution, nous présentons l'étude pour estimer le DSR en utilisant l'avance MTCLIM-XL et intégrons une analyse Hillshade pour l'analyse de l'obstruction locale du DSR en raison de surfaces irrégulières. approche intégrative du système de télédétection et de géo-information SIG pour des sites sélectionnés sur un terrain montagneux de la zone d'étude ciblée Quetta (Pakistan). Le but de la présente étude est de développer la présente approche qui peut être applicable pour estimer et générer des données fiables et le potentiel spatial du DSR pour des études environnementales et climatiques sur des terrains de sites topographiquement complexes n'ayant pas de données au sol.


Règle proposée

Ce document a une période de commentaires qui se termine dans 57 jours. (23/08/2021) Soumettre un commentaire formel

Merci d'avoir pris le temps de créer un commentaire. Votre contribution est importante.

Une fois que vous avez rempli les champs obligatoires ci-dessous, vous pouvez prévisualiser et/ou soumettre votre commentaire au ministère de l'Intérieur pour examen. Tous les commentaires sont considérés comme publics et seront publiés en ligne une fois que le ministère de l'Intérieur les aura examinés.

Détails du document

Informations sur ce document telles que publiées dans le Registre fédéral.

Détails du document
Statistiques des documents
Statistiques des documents
Contenu amélioré

Les informations pertinentes sur ce document de Regulations.gov fournissent un contexte supplémentaire. Cette information ne fait pas partie de l'officiel Registre fédéral document.

Numéro de dossier : FWS-R4-ES-2019-0071 Nom du dossier : Faune et plantes en voie de disparition et menacées Retrait de Chrysopsis floridana (Florida Golden Aster) de la liste fédérale des espèces sauvages en danger et menacées Dossier RIN 1018-BE00 Documents à l'appui/connexes : Espèces Évaluation du statut Aster doré de Floride (Chrysopsis. Examen quinquennal : Résumé et évaluation Aster doré de Floride. Projet de plan de surveillance post-radiation pour l'aster doré de Floride. Littérature citée FL Golden Aster Espèces en voie de disparition et menacées : Suppression de Chrysopsis.
Contenu amélioré
Document publié

Ce document a été publié dans le Registre fédéral. Utilisez le PDF lié dans la barre latérale du document pour le format électronique officiel.

Document publié
Contenu amélioré - Table des matières

Cette table des matières est un outil de navigation, traité à partir des en-têtes du texte juridique des documents du Federal Register. Cette répétition de rubriques pour former des liens de navigation internes n'a aucun effet juridique substantiel.

Contenu amélioré - Table des matières
Contenu amélioré - Soumettre un commentaire public
Contenu amélioré - Soumettre un commentaire public
Contenu amélioré - Lire les commentaires publics

Ce nombre fait référence au total des commentaires/soumissions reçus sur ce document tels que rapportés par Regulations.gov. Les agences examinent toutes les soumissions et peuvent choisir de caviarder ou de retenir certaines soumissions (ou des parties de celles-ci). Les commentaires soumis peuvent ne pas être disponibles pour être lus tant que l'agence ne les a pas approuvés.

Contenu amélioré - Lire les commentaires publics
Contenu amélioré - Partage
Contenu amélioré - Partage
Contenu amélioré - Vue d'impression du document
Contenu amélioré - Vue d'impression du document
Contenu amélioré - Outils de documentation

Ces outils sont conçus pour vous aider à mieux comprendre le document officiel et à comparer l'édition en ligne à l'édition imprimée.

Ces éléments de balisage permettent à l'utilisateur de voir comment le document suit le manuel de rédaction de documents que les agences utilisent pour créer leurs documents. Ceux-ci peuvent être utiles pour mieux comprendre comment un document est structuré mais ne font pas partie du document publié lui-même.

Contenu amélioré - Outils de documentation
Contenu amélioré - Outils de développement
Ce document est disponible dans les formats conviviaux suivants pour les développeurs :

Vous trouverez plus d'informations et de documentation sur nos pages d'outils de développement.

Contenu amélioré - Outils de développement
Contenu officiel
Contenu officiel
Inspection publique

Ce PDF est le document actuel tel qu'il est apparu sur l'Inspection Publique le 23/06/2021 à 8h45. Il a été vu 9 fois pendant l'inspection publique.

Si vous utilisez des listes d'inspection publique pour la recherche juridique, vous devez vérifier le contenu des documents par rapport à une édition officielle finale du Federal Register. Seules les éditions officielles du Federal Register fournissent un avis juridique au public et un avis judiciaire aux tribunaux en vertu de 44 U.S.C. 1503 et 1507. En savoir plus ici.

Inspection publique
Document publié

Ce document a été publié dans le Registre fédéral. Utilisez le PDF lié dans la barre latérale du document pour le format électronique officiel.


Vous aurez besoin de la version la plus récente de R et, de préférence, RStudio chargée sur votre ordinateur pour terminer ce didacticiel.

Installer les packages R

rgdal : install.packages("rgdal")

En savoir plus sur les packages dans R - Adapté de Software Carpentry.

Télécharger les données

Sous-ensemble de données d'enseignement NEON : données de télédétection aéroportée

Définir le répertoire de travail : Cette leçon suppose que vous avez défini votre répertoire de travail à l'emplacement des sous-ensembles de données téléchargés et décompressés.

Script R et code de défi : Les leçons de données NEON contiennent souvent des défis qui renforcent les compétences acquises. S'il est disponible, le code des solutions de défi se trouve dans le script R téléchargeable de l'ensemble de la leçon, disponible dans le pied de page de chaque page de leçon.


Valeurs d'ombrage pour l'hiver et l'été - Systèmes d'Information Géographique

Il est nécessaire de gérer les ressources en eau par bassin et conjointement avec les autres ressources naturelles, conformément à la loi sur le développement durable. L'outil de base pour répondre à ces exigences est un système d'information de bassin actualisable et adaptable. Le concept et la philosophie du système d'information de bassin ne se sont pas encore répandus en Turquie. Par conséquent, il y a une carence significative dans la gestion du bassin dès le début [ 1 ] . L'objectif principal de la gestion par bassin est de protéger les ressources naturelles, de permettre à l'environnement de se renouveler et de les gérer de manière durable. Les Systèmes d'Information Géographique (SIG) sont considérés comme un outil technologique et indispensable afin de fournir les environnements, qui sont nécessaires pour collecter, stocker les données du bassin, et les examiner d'une manière qui permettra l'analyse spatiale, pour un tel aperçu de planification [ 2 ] .

Dans les plans de gestion de bassin, la répartition surfacique des données climatiques peut être produite en différentes couches en utilisant des valeurs d'observation ponctuées à l'aide de SIG. Cela rend l'utilisation du SIG indispensable. It is possible to see a lot of methods while defining the areal distributions of climatic parameters and producing related climatic layers. However, a convenient method for a region does not fit to another region. Therefore, it is necessary to apply the similar researches to each region with different methods, depending on the regional characteristics and the structure of available data [ 3 ] . Under these conditions, defining a more suitable method for a region or basin poses a problem.

Evaporation, temperature and precipitation data are observed punctually in meteorological observation stations. Because these data are obtained in this way, they have punctuate characteristics. Consequently, it is needed to produce are all distributions in different layers, in GIS environment by using climatic data, which have punctuate observation values. Thus, it is possible to study and investigate the relations between data layers. Average areal precipitation depth on a specific region is used in researches, which aim to develop water resources, instead of punctuate precipitation values [ 4 ] .

The main materials used in this study are raster maps, vector maps and meteorological data of Seydisuyu river Basin. 54 scanned and rectified, 1/25000-scale raster maps and 54 coordinated vector maps (UTM 36N zone and European Datum 1950-ED50-coordinate system) of Seydisuyu River Basin and other neighbour basins were provided fromState Hydraulic Works (DSI).These maps cover Seydisuyu basin and the neighboring basins.

For the spatial analysis performed within the Seydisuyu River Basin, GIS software ArcGIS 9.3.1 was utilized. ThenDigital Elevation Model (DEM) of the basin was obtained from these maps by using GIS software 9.3 versions. The data required to determine the long term, covers monthly average values between 1991 and 2011 (20 years records), meteorological characteristics of the basin (precipitation, temperature, evaporation, relative humi- dity, wind, snow, etc.) were provided from State Meteorological Organisation (DMI) [ 5 ] . The necessary missing meteorological data of some years were generated by the method ofstatistical correlations.

In order to determine the hydrological basin borders of Seydisuyu River Basins, 1/25,000-scale digitised vector maps were utilized to produce the Digital Elevation Model (DEM) of the basin. Then, DEM was cut in accordance with the basin borders. During this process, ArcInfo 9.3.1 was used.

Using the DEM produced with the GIS software, sub-basins of the basin were determined and spatial analyses were made to produce topographic, slope, aspect and 3-dimensional (3D) maps of the study area. DEM was also used to determine the drainage area and sub-basinboundaries of the basin. ArcHydro Tools 9, an interface program of ArcInfo, was utilized to detect the flow direction. Thus, the synthetic drainage network andarea, which is formed as a result of the precipitations in the sub-basins, as well as the main streamof each sub-basin were also determined.

Meteorological Data was analyzed and organized in Microsoft Excel by taking the data of MGS of each province. Coordinates of MGS of each province were transferred into GIS software.

In order to make a correct estimation with a data set, it must have normal distribution. Obtained meteorological data From DMİ was analyzed, and it was found out that they didn’t have normal distribution statistically. In order to have normal distribution for a data set, coefficient of Skewness must be close to zero (0), coefficient of Kurtosismust be close to three (3). Average and median values must be close to each other, too. In order to normalize data set for a correct estimation, some conversions like logarithm (Log), Natural logarithm (ln), Sine (sin), Cosine (Cos), tangent (tan) and square root were applied.

The conversion, which approached the data to the normal distribution, was used as a base, and those values were used in the estimation process. However, there was not a suitable conversion for normal distribution on temperature data, so a different method was used. Annual temperature data were degraded from the elevation of observation stations into sea level elevation, and data were arranged as the temperature values on sea level. Normal distribution was obtained with this method, and estimation process began. It was aimed to make a comparison by using the two distance related methods (Inverse Distance Weighted-IDW and Kriging), but Kriging method wasn’t used in the estimation process because of inadequate number of samples. In this research, spatial estimation with IDW method was done by using meteorological data (evaporation, temperature, precipitation) in and around Seydisuyu River Basin.

The research area is Seydisuyu basin, which is a sub-basin of the Sakarya River. Seydisuyu basin is in the Central Anatolian Region, between 38˚85' - 39˚36' north latitudes and 30˚16' - 31˚07' east longitudes. Waters of the basin are discharged into the Sakarya River by the Seydisuyu River. Seydisuyu basin is surrounded by Sakarya-Sarisu, Porsuk-Sarisungur, Porsuk-Kalabak in the east, by Buyuk Menderes, Gediz and Porsuk-Sarisungur in the south- west, and by Sakarya-Bardakci and Akarcaybasins in the south-east. As the hydrologic basin border, a great part of the basin is in the provincial borders of Eskisehir, and the remaining parts are in the provincial borders of Afyon and Kutahya. Seyitgazi, Mahmudiye districts of Eskisehir, Kirka town and 51 villages are in the basin. Seydisuyu basin covers an area of 1816.1 km 2 and it covers almost 13% of surface area of Eskisehir. Geographical position of the basin in Turkey is in Figure 1 .

4. Defining Hydrologic Basin Borders of Seydisuyu Using Geographic Information Systems (GIS)

To estimate the hydro-electricity potential of Seydisuyu basin, it is necessary to know its hydrologic borders and to make its surface analysis. With this aim, basin characteristics were defined with the help of digitized maps. Digital elevation model (DEM) of the basin is formed by using 1/25,000 scaled digitized vector maps. Digital Elevation

Figure 1 Position of Seydisuyu basin in Turkey

Model was clipped and analyzed for hydrologic borders of the basin. Digital elevation model of Seydisuyu basin and sub-basins are presented in Figure 2 (a) and Figure 2 (b).

4.1. Sub-Basins of Seydisuyu Basin and Definition of the Drainage Areas of These Basins

Sub-basins, which form the main basin, were drawn with hydrologic analysis on digital elevation model. In addition, slope index map, exposure map, elevation map, and three-dimensional map of the basin were created in GIS environment by using digital elevation model. Drainage area of the basin, borders of sub-basins and flow direction were found. Thus, drainage network and area, which was formed by precipitation in each sub-basin, were obtained and presented in Figure 2 (b). In addition, main stream of each sub-basin were found. Main stream length is 121.84 kilometers.

In this research, significant data such as the number of the main stream and the other brooks, total length of the brooks, and the slope of each brook were also found out. Longitudinal sections of the main streams were found. Total hydrologic area of Seydisuyu basin is 1816.1 km 2 . Seydisuyu basin has mainly 5 sub-basins. The biggest basin is the number 5, which covers an area of 733.36 km 2 . Total area of Seydisuyu basin and areas of each basin is presented in Table 1 .

4.2. Spatial Characteristics of the Whole Seydisuyu Basin

Spatial characteristics of the basin were found out when the height map, slope index map, exposure map, shady relief map, and lots of data and maps were obtained by using the Digital Elevation Model of the basin. Each unit of this data means significant information in dam planning. Spatial characteristics of the basin was classified with geo-statistics method and presented in Figures 3(a)-(d).

When the topographic maps of Seydisuyu basin are analyzed, it can be seen that height is between 850 and 1825

meters. Area of the basin between 1000 and 1300 meters covers 50.5% (917.2 km 2 ) of the total area ( Figure 3 (a)). The slope of the basin is 67.37% (1223.08 km 2 ) between 0 and 10 degrees and plains occupy a large part of the basin. Higher areas are on the west parts of the basin. Rate of the areas in the basin with a slope of 30 degrees or more is 0.88% (16.052 km 2 ), and it is a small part of the basin ( Figure 3 (b)). Exposure analysis is the geographic angle of the surface to the north. Almost 25.06% (455.114 km 2 ) consists of eastward and south-eastward hills ( Figure 3 (c)). It is possible to see the general structure and plains clearly in the shady relief map in Figure 3 (d).

5. Defining Meteorological Characteristics of the Basin

Seydisuyu basin reflects the climate characteristics of the Central Anatolian Region. However, it slightly reflects the climate characteristics of the Aegean Region, too. There are climatic differences between the western and eastern parts of the basin. Seydisuyu basin is dry and hot in summer while it is cold and wet in winter. Meteorological data of the basin are measured by Meteorology Observation Stations in Eskisehir, Kutahya, Afyon, Bilecik and Ankara. Measured data such as precipitation (mm), temperature (˚C) and evaporation (mm) are long-term monthly average data, and they were obtained from General Directorate of Meteorology for years between 1991 and 2010 (19 years). These raw data were organized and monthly average, minimum and maximum meteorological data was found out.

Statistical Evaluation of Meteorological Data

Distribution parameters of the data sets were investigated statistically. After that, distribution maps were drawn with distance related estimation methods by using the data obtained from General Directorate of Meteorology. In order to make reliable estimation, it is necessary for a data set to have normal distribution. Estimations, which are made with the data sets which don’t have normal distribution, will not give reliable results. Therefore, distribution parameters of precipitation, temperature and evaporation data sets were evaluated statistically. This evaluation is presented in Table 2 .

When the distribution parameters in Table 2 are examined, it can be seen that data do not havea statistically normal distribution. In order to have normal distribution for a data set, coefficients of Skewness must be close to zero (0), and coefficients of stickiness must be close to three (3). Average and median values must be close to each other, too. In order to normalize data set for a correct estimation, some conversions like log, ln, sin, cos, tan and square root were applied ( Figure 4 ). The conversion, which approached the data to the normal distribution, was used as a base, and those values were used in the estimation process. It was observed that in conversion for evaporation and log conversion for precipitation approached the values to the normal distribution. However, temperature values didn’t have a normal distribution despite those conversions. Therefore, they were evaluated with another method. As is known, spatial characteristics, such as elevation, slope and exposure, of a measurement station affect temperature values. A measurement station on high slope topography cannot get the sunrays straightly so temperature values will be low. When exposure (the state of geographical formations’ being exposed to Sun) is considered, geographical formations on the northern and eastern hills will get the sunlight for a shorter time. This will cause temperature values to be low. Elevation is one of the factors that affect temperature most. While the temperature decreases 0.5 degrees Celcius at every 100 meters when we go up from the sea level, it increases 0.5 degrees Celcius when we go down to the sea level. When the fact that these factors affect temperature is considered, it is clear that each measurement station could come up with different results because of their spatial characteristics (elevation, slope, exposure). Therefore, temperature values were reduced to sea level with the method in Equation (1).

T: Temperature (Reduced to sea level) Tje: Average temperature of the station hje: Elevation of the station.

Temperature values, which are reduced to sea level, were processed in GIS database. After that, whether distribution parameters of these processed values suit the normal distribution was checked.

When Table 2 and Table 3 are examined, it can be seen that the coefficient of skewness is close to zero (0), and the coefficient of stickiness is close to three (3). It is not possible to have a perfect normal distribution as data do not have a spatially homogenous distribution, and there are a few point measurement stations. The closest distribution parameters to the normal distribution were obtained by making the necessary conversions.

6. Spatial Estimation Methods

Estimation is defined as the mathematical method, which was developed to estimate the deficient data in a series

[ 6 ] . Estimation, which helps new data to be created with calculation operation by using the data in specific places, is the calculation process of function, which is necessary for this calculation [ 7 ] [ 8 ] . Today, distance related spatial estimation methods are used to express the data, which is collected from specific points, coordinates of which are known in GIS applications, spatially ? in other words, from spatially referenced specific points. As a result of estimation, raster surfaces are calculated with vector data, which are identified on point geometry. Position related and distance related estimation methods (IDW, Natural Neighbors, Spline, Kriging, etc.) try to guess the values of places with unknown values [ 9 ] . Estimation methods, which are chosen according to the modeled data types, give better models. In this research, applicability of IDW method to the data was investigated, obtained raster surfaces were clipped for the basin borders, and precipitation, temperature and evaporation distribution maps of the basin were modeled.

Inverse Distance Weighted (IDW) Method

Inverse distance weighting is an estimation method, which assigns higher weight value to nearby points than more distant points, and takes all sample points into account [ 10 ] . Each sample point gets inverse proportional weight value according to their distance to the point, value of which will be estimated. Estimated value at x0 point is calculated as it is shown in Equation (3).

shows estimated value of x0 point, and shows the value of sample point at xje indiquer. Wje shows the inverse distance weight of the sample at xje from x0, and d shows the distance between sample point and the point, which will be estimated. p shows exponential value, and n shows the number of sample points.

7. Modeling Distribution Maps of Meteorological Data in Seydisuyu Basin 7.1. Modeling of Meteorological Data in the Basin by Using IDW Method

Geographical locations of the stations, where meteorological data (precipitation, temperature, evaporation) are measured, are shown in Figures 5(a)-(c).

Conversions were made in order to normalize the raw data in Figure 4 as they didn’t have a statistically normal distribution, and they were converted into a normal distribution. Histograms of the converted data were created, and they were reevaluated statistically. After that, distribution maps in the basin were modeled by using inverse distance weighting method. Modeling results are presented in Figures 6(a)-(c).

Maps, which were drawn after estimation process, were drawn with converted data, so they need to be converted into real values. Therefore, values of precipitation and evaporation data were converted into real meteorological values by using raster calculator. Data of temperature distribution were processed with the digital elevation model of the region while they were being reconverted. In this method, data of digital elevation model were reclassified in terms of temperature values at intervals of 100 meters, and temperature map, which shows real temperature values, was drawn by subtracting data of digital elevation from sea level temperature values (Figures 7(a)-(c)).

In order to make certain of estimations, three meteorological observation stations, which have proper spatial dispersion, were chosen as the control point, and precipitation, temperature and evaporation distributions were applied without these data by using IDW interpolation method.

Surface values, which were calculated by using the previously converted data for normal distribution, instead of real values of control stations, were compared with calculated values, and accuracy of estimations were analyzed by calculating root mean square errors (RMSE) in this scope (Tables 4-6).

Accuracy of estimations depends on the location of control stations chosen for accuracy analysis and the position of measurement value in that station among general data group as well as the dispersion of data source points. If control station data include the highest or the lowest value of data group or position of the station is close to the borders of the research area, evaluating the value of this station with high accuracy by using the values of other

stations will not be possible. Therefore, defining control stations is a significant component to evaluate the results of the research correctly during accuracy analysis.

According to the results of accuracy analysis, root mean square error values of estimation results, which were calculated with inverse distance weighting method, were close to zero (0), as it could be seen in Tables 4-6. First, it is necessary to evaluate the data, which will be used for estimation, statistically in order for the estimation method to give reliable results. In conclusion, distribution parameters of meteorological data were studied statistically, and values, which did not have a normal distribution, were normalized. After that, normalized data sets were modeled with inverse distance weighting method. Estimation results, which were obtained from normalized values, did not have real values, so it was necessary to convert them into their real values. With this aim, data were reconverted on the basis of pixel by using raster calculator to convert data into their real values. Accuracy rate of the models, which were obtained, was a significant parameter for the reliability of the research. Therefore, accuracy analysis was conducted on the models, and it was observed that the root mean square error values were close to zero. The fact that the root mean square error values are close to zero shows that the accuracy rate of the models, which are obtained, is high and reliable.

Yildirim Bayazit,Recep Bakiş,Cengiz Koç, (2016) Mapping Distribution of Precipitation, Temperature and Evaporation in Seydisuyu Basin with the Help of Distance Related Estimation Methods. Journal of Geographic Information System,08,224-237. doi: 10.4236/jgis.2016.82020


Qqtu_pian_20200730154844.png

In particular, a 3D analysis was carried out according to the following steps:

  • The information of building footprints, obtained from Municipal Technical Map of the city, was used to quantify the roof areas: buildings with area higher than 50 m 2 were classified as solar potential roofs, and with area higher than 100 m 2 were identified as potential green roofs.
  • The roof material was analyzed with the Feature Analyst (FA) tool that is an extension of ArcGIS 10, using as input data orthophotos with high precision of 0.1 meters [30]. This tool allows roofs to be classified according to the cover type (tiled and non-tiled roofs).
  • The roof slope was assessed with the ‘Slope’ tool in ArcGIS using the DSM (precision of 0.5 meters). Firstly, the roofs were classified into two categories: ‘flat roofs’ with a slope of less than 11° (potential intensive green roof), and ‘pitched roofs’ with slope ≥ 11°. This second category has been differentiated in roof with slope of less than 20° (potential extensive green roof), and roofs with a larger slope than 20° (potential solar roof) [7].
  • The roof orientation was assessed with the ‘Aspect’ tool in ArcGIS using the DSM. Eight classes of orientation have been identified according to aspect values (that varies between 0° and 360°):
  • North: aspect ≤ 22.5° or aspect > 337.5°
  • North-East: 22.5° < aspect ≤ 67.5°
  • East: 67.5° < aspect ≤ 112.5°
  • South-East: 122.5° < aspect ≤ 157.5°
  • South: 157.5° < aspect ≤ 202.5°
  • South-West: 202.5° < aspect ≤ 247.5°
  • West: 247.5° < aspect ≤ 292.5°
  • North-West: 292.5° < aspect ≤ 337.5°.

Taking into account slope values, pitched roofs were classified into five categories: gable roofs with north-south orientation, gable roofs with east-west orientation, hipped/pyramid roofs, shed roof, half-hipped roof [28].

  • The roof disturbing elements, such as dormers and antennas, have been identified with the ‘Zonal Statistics’ tool in ArcGIS using the orthophotos, the annual solar radiation analysis, and the hillshade analysis (made using the DSM and the ‘Hillshade’ tool of ArcGIS). By overlapping the results of the statistical analysis, the disturbance percentage for each roof was identified.

2.2.2 Solar energy potential assessment

The solar energy potential has been investigated identifying the available rooftop areas and quantifying the total solar radiation on the rooftop (Figure 2). Therefore, the solar energy that can be produced from the monthly solar radiation has been estimated at urban scale for each building according to its technical potential. The hypothesized panels’ area was assessed considering the area of the roofs with better solar exposition. According to the literature review [15, 31-33] the criteria used to identify suitable rooftops for solar panels and collectors are:

  • Historic, static, architectural and regulation constraints
  • Roof material (no green, no red tiles), disturbing elements, and construction restrictions
  • Minimum available surfaces (roof area > 50 m 2 )
  • Suitable rooftops should have a slope between 20-45°
  • Roof areas with North orientation have been excluded, as north-facing rooftops receive less sunlight
  • Roof area should receive at least 1,200 kWh/m 2 /year of annual solar radiation.

Therefore, the annual and monthly solar radiation have been calculated using the ‘Area solar radiation’ tool in ArcGIS in order to identify available roofs areas. From ‘Photovoltaic Geographical Information System PVGIS’ portal of JRC, the monthly data of atmosphere transparency (τ) and ratio of diffuse radiation to global radiation (ω) have been identified for the specific territory. The solar potential assessment considers the monthly shadows of all obstructions. The quota of annual and monthly incident global solar radiation was quantified with a precision of 0.5 meters using the DSM of the entire city.

Regarding PV productivity, the efficiency of converting solar energy into electricity varies mainly according to the photovoltaic module technology chosen. In this work, the efficiency value is equal to 15% (standard efficiency polycrystalline silicon module), and the system performance, that consider the energy losses of all system components, is estimated to be around 75%.

Regarding ST productivity, the ST collectors used had a variable monthly efficiency of 43-75% and a system performance ratio of 75%.

The hypothesized PV and ST areas have been dimensioned in order to not have an overproduction of thermal and electrical energy during summer months.

2.2.3 Green roofs potential assessment

This section presents a flexible approach that allows to evaluate the presence of existing and potentially future green roofs [7]. Various tools were integrated in ArcGIS to produce accurate land cover and vegetation maps. The first step was an analysis of the green areas and vegetation of outdoor urban spaces, the second one was a 3D evaluation of built-up environment and finally the green roofs potential assessment. The following criteria were used to select the potential green roofs (Figure 2):

  • Historic, architectural and regulation constraints
  • Roof material (high-reflectance and vegetated roofs)
  • Suitable roofs should have roof area larger than 100 m 2
  • Roof slope less than 11° for flat roofs (intensive green roofs) and roof slope between 11° and 20° for pitched roofs (extensive green roof)

Figure 2. GIS-based methodology for roofs potential assessment

  • More than 3 hours of sunlight (sunny roofs). In fact, to allow the growth of vegetation [34], sunny roofs with three or more hours of sunlight were identified as ‘potential’, while the shaded roofs (less than 3 hours of sunlight) were classified as ‘non-potential’.

The building roofs were thus classified into three typologies: existing green roofs, potential green roofs, and non-potential green roofs. According to the slope, two typologies of potential roofs were identified: intensive green roofs (flat roofs) that not require special structure measures, and extensive green roofs (pitched roofs).

2.3 Monthly engineering energy model application

The energy consumption of buildings has been simulated using a monthly engineering model [35, 36] in order to identify the most critical areas and evaluate the energy savings after the installation of the green technologies analyzed in this work.

The following subsections present urban-scale energy models used to estimate thermal (both for heating and domestic hot water) and electrical consumptions in order to size PV panels and ST collectors. Solar energy potential was compared to energy demand per district (mesh of 1 km 2 ). The decrease of non-renewable thermal and electricity needs has been estimated considering both possible installations of PV and ST systems (self-consumption).

2.3.1 Energy consumptions assessment

Energy consumptions for space heating and domestic hot water of residential buildings with monthly detail have been simulated at district level (‘mesh’ with a dimension of 1 km 2 ) for three consecutive heating seasons (2012-13, 2013-14 and 2014-15). This analysis was made using a monthly engineering energy model [35, 36] able to predict thermal consumptions at urban area (case study dimension: 38 km 2 , 30% of the city area with 545,696 inhabitants).

Thermal consumptions for space heating and domestic hot water of non-residential buildings have been assessed according to Mutani and Todeschi [37], using a hybrid approach matching bottom-up, top-down and engineering models. In this case, annual thermal consumptions have been distributed during months according to the number of days and the temperatures variation between the internal building air temperature and the external air temperature (climate data refer to the nearest weather station).

Electrical consumptions for residential and non-residential sectors have been quantified considering a typical family with a certain number of components and: (i) the average consumption of an Italian family of about 2,700 kWhel/year and the number of families available from ISTAT database (2011) (ii) the annual consumption of 2,049 kWh/year from Regional Database for the reference year 2014 [38]. The annual electrical consumptions have been distributed during months according to the number of workdays and holidays.

2.3.2 Energy savings and thermal comfort assessment

The impact of PV panels, ST collectors and green-roofs technologies on energy savings and on indoor and outdoor thermal comfort has been assessed. Regarding solar technologies, the electrical and thermal consumptions were compared with the PV and ST potential production. Regarding green-roofs technologies, thermal comfort conditions and energy savings have been quantified before and after the installation of these technologies. In addition, some parameters have been used to describe the UHI mitigation –the ‘Normalized Difference Vegetation Index’ NDVI, the albedo, and ‘Land Surface Temperature’ LST– thermal conditions of buildings and urban environments.


Hillshade values for winter and summer - Geographic Information Systems

Vous avez demandé une traduction automatique d'un contenu sélectionné dans nos bases de données. Cette fonctionnalité est fournie uniquement pour votre commodité et n'est en aucun cas destinée à remplacer la traduction humaine. Neither BioOne nor the owners and publishers of the content make, and they explicitly disclaim, any express or implied representations or warranties of any kind, including, without limitation, representations and warranties as to the functionality of the translation feature or the accuracy or completeness of the translations.

Les traductions ne sont pas conservées dans notre système. Your use of this feature and the translations is subject to all use restrictions contained in the Terms and Conditions of Use of the BioOne website.

Greater Sage-Grouse Winter Habitat Selection and Energy Development

Kevin E. Doherty, 1,*,** David E. Naugle, 2 Brett L. Walker, 3 Jon M. Graham 4

1 aWildlife Biology Program, College of Forestry and Conservation, University of Montana, Missoula, MT
2 bWildlife Biology Program, College of Forestry and Conservation, University of Montana, Missoula, MT
3 cWildlife Biology Program, College of Forestry and Conservation, University of Montana, Missoula, MT
4 dDepartment of Mathematical Sciences, University of Montana, Missoula, MT 59812, USA

* E-mail: [email protected]
** Present address: Wyoming Audubon, 358 N 5th Street, Unit A, Laramie, WY 82072, USA

Includes PDF & HTML, when available

This article is only available to les abonnés.
It is not available for individual sale.

Recent energy development has resulted in rapid and large-scale changes to western shrub-steppe ecosystems without a complete understanding of its potential impacts on wildlife populations. We modeled winter habitat use by female greater sage-grouse ( Centrocercus urophasianus ) in the Powder River Basin (PRB) of Wyoming and Montana, USA, to 1) identify landscape features that influenced sage-grouse habitat selection, 2) assess the scale at which selection occurred, 3) spatially depict winter habitat quality in a Geographic Information System, and 4) assess the effect of coal-bed natural gas (CBNG) development on winter habitat selection. We developed a model of winter habitat selection based on 435 aerial relocations of 200 radiomarked female sage-grouse obtained during the winters of 2005 and 2006. Percent sagebrush ( Artemisia spp.) cover on the landscape was an important predictor of use by sage-grouse in winter. The strength of habitat selection between sage-grouse and sagebrush was strongest at a 4-km 2 scale. Sage-grouse avoided coniferous habitats at a 0.65-km 2 scale and riparian areas at a 4-km 2 scale. A roughness index showed that sage-grouse selected gentle topography in winter. After controlling for vegetation and topography, the addition of a variable that quantified the density of CBNG wells within 4 km 2 improved model fit by 6.66 Akaike's Information Criterion points (Akaike wt = 0.965). The odds ratio for each additional well in a 4-km 2 area (0.877 95% CI = 0.834–0.923) indicated that sage-grouse avoid CBNG development in otherwise suitable winter habitat. Sage-grouse were 1.3 times more likely to occupy sagebrush habitats that lacked CBNG wells within a 4-km 2 area, compared to those that had the maximum density of 12.3 wells per 4 km 2 allowed on federal lands. We validated the model with 74 locations from 74 radiomarked individuals obtained during the winters of 2004 and 2007. This winter habitat model based on vegetation, topography, and CBNG avoidance was highly predictive (validation R 2 = 0.984). Our spatially explicit model can be used to identify areas that provide the best remaining habitat for wintering sage-grouse in the PRB to mitigate impacts of energy development.


Seasonality in cold coast bluff erosion processes

High water levels in the Laurentian Great Lakes are causing widespread erosion of unlithified coastal bluffs and damaging infrastructure. Measurements of bluff recession along Wisconsin's Lake Michigan coast are mostly limited to estimates generated from comparisons of historical orthophotos with little information about the short-term scales (months to years) that affect many management and hazard-based decisions. Here we investigate the physical factors driving coastal bluff response to toe erosion at seasonal timescales using a multi-method case study of a mixed lithology bluff in Southeastern Wisconsin, an area that undergoes annual freezing. Five drone photogrammetry surveys were conducted from the winter of 2018 through the winter of 2020, and time lapse photography was collected from March 2019 through February 2020. The bluff face volumetric erosion rate between December 2018 and June 2019 was 3800 m 3 a −1 , which is 300% larger than the erosion rate between June 2019 and November 2019. Statistical analysis of the time lapse photography indicates that high magnitude erosion events are significantly correlated with environmental factors, including freeze-thaw events. These observations suggest that bluff erosion occurs episodically and is dominated by freeze-thaw related mass wasting events during the winter and spring. To investigate the physical processes driving this pattern, we model transient pore pressure response to a frozen bluff face as an input to a 3-D moment-balance slope stability model. Results show that increases in pore pressures up to one meter are possible at the face of the bluff over 5 days, which corresponds to 4–7% reduction in slope stability, indicating that observed increases in upslope bluff erosion during the winter and spring are a result of increased pore pressures, in combination with sediment strength reduction and high vadose zone saturation. As elevated lake levels continue to steepen bluff toes, upslope impacts will likely be temporally clustered during times of freeze-thaw. To accurately predict the seasonality of bluff recession on cold coasts, landscape change models must incorporate transient conditions caused by freeze-thaw events as they appear to be a dominant process.


Abstrait

The landscape-human relationships on the Alps, the more populated mountain region globally, depend on tree species diversity, their canopy height and canopy gaps (soil cover). The monitoring of such forest information plays an important role in forest management planning and therefore in the definition of present and future mountain forest services. In order to gain wide scale and high-resolution forest information, very high-resolution (VHR) stereo satellite imagery has the main benefit of covering large areas with short repetition intervals. However, the application of this technology is not fully assessed in terms of accuracy in dynamic year-around forest conditions. In this study, we investigate on four study sites in the Swiss Alps 1) the accuracy of forest metrics in the Alpine forests derived from VHR Pléiades satellite images and 2) the relation of associated errors with shadows, terrain aspect and slope, and forest characteristics. We outline a grid-based approach to derive the main forest metrics (descriptive statistics) from the canopy height models (CHMs) such as the maximum height (Hmax), height percentiles (Hp95, Hp50), the standard deviation of the height values (HStd) and canopy gaps. The Pléiades-based forest metrics are compared with those obtained by aerial image matching, a technology operationally used for deriving this information. For the study site with aerial and satellite images acquired almost at the same time, this comparison shows that the medians of Pléiades forest metrics error are -0.25 m (Hmax), 0.33 m (Hp95), −0.03 m (HStd) and -5.6% for the canopy gaps. The highest correlation (R 2 = 0.74) between Pléiades and aerial canopy gaps is found for very bright areas. Conversely, in shadowed forested areas a R 2 of only 0.16 is obtained. In forested areas with steep terrain (>50°), Pléiades forest metrics show high variance for all the study areas. Concerning the canopy gaps in these areas, the correlation between Pléiades and the reference data provides a correlation value of R 2 = 0.20, whereas R 2 increases to 0.66 for gently sloped areas (10-20°). The aspect does not provide a significant correlation with the accuracy of the Pléiades forest metrics. However, the extended shadowed mainly on north/northwest facing slopes caused by trees or terrain shade negatively affect the performance of stereo dense image matching, and hence the forests metrics. The occurrence of strong shadows in the forested areas increases dramatically by ˜40% in the winter season due to the lower sun elevation. Furthermore, due to the leaf-off condition in the winter season dense image matching may fail to derive the canopy heights. Our results show that Pléiades CHMs could be a useful alternative to CHMs based on aerial images matching for monitoring forest metrics and canopy gaps in mountain forests if captured during leaf-on conditions. Our study offers forest research, as well as forest management planning, the benefit of a better understanding of the performance of VHR satellite imagery used for forest inventory in mountainous regions and in similar forest environments.


Coastal Aspects

These are usually of importance only in the tropics, but there they produce many unexpected climatic effects:

  • The dryness of the Dahomey Gap, due to the rain-bearing winds moving parallel to the coast.
  • The summer dryness of the Coromandel Coast due to the southerly monsoon flowing parallel to the coast. Its wetness during the northeast monsoon is similarly explained.
  • The anomalous late autumn rainy seasons of central Vietnam and the coastal zone of northeastern Brazil for the same reason as above.
  • The unusual dryness of Port Moresby compared to the rest of New Guinea is because the National Capital District lies parallel to the trade winds which have a drying effect. In Gulf Province and Lae, which receives their full force, rainfall during southern winter is exceedingly heavy.
  • The relative dryness of the Queensland coast has the same cause as with Port Moresby.