Wojciech Krasowski Możliwości wykorzystania Quantum GIS w

Transkrypt

Politechnika Wrocławska
Studia Podyplomowe
Systemy Informacji Geograficznej
Praca końcowa:
Możliwości wykorzystania Quantum GIS
w wizualizacji, przetwarzaniu i analizie
prognostycznych danych meteorologicznych
Wojciech Krasowski
Promotor pracy:
dr inż. Robert Szczepanek
1
Spis treści
Streszczenie.................................................................................................................................3
1. Wstęp......................................................................................................................................4
1.1. Cele i zakres pracy...............................................................................................................4
1.2. Quantum GIS.......................................................................................................................6
1.3. Prognostyczne dane meteorologiczne..................................................................................7
1.4. Oprogramowanie do pozyskiwania prognostycznych danych meteorologicznych w
formacie wektorym i rastrowym...............................................................................................10
1.5. Geoodniesienie...................................................................................................................13
2. Wybrane aplikacje meteorologiczne stosowane w Polsce....................................................14
3. Wizualizacja i klasyfikacja prognostycznych danych meteorologicznych...........................18
3.1. Reprezentacja wektorowa..................................................................................................18
3.1.1. Typy geometryczne danych............................................................................................18
3.1.2. Typy graficzne danych....................................................................................................21
3.2. Reprezentacja rastrowa......................................................................................................30
3.3. Podsumowanie...................................................................................................................35
4. Podstawowe narzędzia do przetwarzania wektorowych i rastrowych danych
prognostycznych.......................................................................................................................36
4.1. Podstawowe statystyki danych (wtyczka Statist)...............................................................36
4.2. Wyznaczanie obszarów spełniających zadane kryteria (Filtr danych)..............................38
4.3. Interpolacja.........................................................................................................................40
4.4. RasterCalc narzędziem do algebry map.............................................................................47
4.5. Podsumowanie...................................................................................................................48
5. Przykłady analiz i kartograficznych produktów meteorologicznych....................................49
5.1. Mapa rozkładu temperatury powietrza dla obszaru górskiego na przykładzie wybranych
pasm Sudetów...........................................................................................................................49
5.2. Analiza przestrzennej zmienności wskaźnika burzowego Whaitinge'a.............................51
5.3. Analiza frontów atmosferycznych.....................................................................................53
5.4. Kartograficzna prognoza warunków pogody dla Polski....................................................54
5.5. Produkty meteorologicznej osłony zimowego utrzymania dróg (zud)..............................58
5.6. Podsumowanie...................................................................................................................60
6. Możliwości publikacji analiz................................................................................................61
6.1. Zapis w postaci projektu....................................................................................................61
6.2. Obraz..................................................................................................................................62
6.3. KML jako przykład formatu wektorowego.......................................................................62
6.4. HTML I Mapfile................................................................................................................63
6.5. Wydruki.............................................................................................................................64
6.6. Podsumowanie...................................................................................................................65
7. Podsumowanie......................................................................................................................66
Spis rycin...................................................................................................................................67
Spis tabel...................................................................................................................................69
Literatura...................................................................................................................................70
2
Streszczenie
Tytuł pracy: Możliwości wykorzystania Quantum GIS w wizualizacji, przetwarzaniu i
analizie prognostycznych danych meteorologicznych
Słowa kluczowe: GIS, meteorologia, prognoza warunków pogody, prognostyczne dane
meteorologiczne, numeryczny model prognostyczny, GRIB
Quantum GIS jest bardzo dynamicznie rozwijanym projektem programistycznym
umożliwiającym wczytywanie, wizualizację i analizę danych wektorowych oraz rastrowych.
Program oparty jest na systemie wtyczek o określonej funkcjonalności. Zalicza się do grupy
aplikacji typu Open Source. Otwartość kodu źródłowego pozwala na personalizowanie jego
możliwości. W związku z tym postanowiono dokonać oceny użyteczności Quantum GIS w
wersji 1.5.0 w zakresie wizualizacji oraz analizy prognostycznych danych meteorologicznych,
a więc wyników numerycznego modelowania warunków pogody. W pracy wykorzystano
dane generowane przez globalny model prognostyczny (GFS). Wizualizowano i analizowano
dane wektorowe i rastrowe wskazując na możliwości, ale i ograniczenia poszczególnych
wtyczek. Należy bowiem podkreślić, że program, mimo wczytywania danych w formacie
meteorologicznym (GRIB) nie powstał na potrzeby tej specyficznej dziedziny wiedzy i
działalności. Stąd, jednym z celów projektu, jest również rozwój oprogramowania w celu
zwiększenia jego efektywności w zakresie analizy danych meteorologicznych, zarówno
prognostycznych, jak i aktualnych, w różnym formacie. W pracy przedstawiono także
przykłady kartograficznych produktów meteorologicznych oraz możliwości ich
wykorzystania. Wykazano zadowalającą użyteczność Quantum GIS 1.5.0 w wizualizacji i
analizie danych prognostycznych.
Title: The Possibilities of using Quantum GIS in visualization, geoprocessing and analyzing
prognostic meteorological data
Key words: GIS, meteorology, weather forecast, prognostic meteorological data, numeric
weather forecast model, GRIB
The Quantum GIS software is a very fast developed programming project that allows
loading, visualization and analyzing vector and raster data. The program is based on a system
of plug-ins, which has wide functionality. It belongs to the group of The Open Source
applications. The open source code allows you to personalize capabilities of Quantum GIS.
Therefore it was decided to assess the usefulness of Quantum GIS 1.5.0 in visualization and
analysis of prognostic meteorological data. The global forecast model (GFS) data were used
in this project. The vector and raster data were used to visualize and analyzing the
opportunities of individual plug-ins. It should be noted that the program, despite loading the
meteorological data in GRIB format, has not been designed for this specific field of
knowledge and activity. So developing the program is one of the further aims of the project. It
is believed that it will enhance its efficiency in the analysis of meteorological data, both
forecasting. The paper presents examples of cartographic and meteorological products and
their possible use. Generally Quantum GIS software may be considered as very useful in
visualizing and analyzing the meteorological data.
3
1. Wstęp
1.1. Cele i zakres projektu
Podstawowym celem projektu jest ocena przydatności programu Quantum GIS
w wizualizacji i przetwarzaniu prognostycznych danych meteorologicznych
W opracowaniu przeanalizowano możliwości wykorzystania w programie QGIS warstw
wektorowych jak i obrazów rastrowych. Wskazano dostępne formaty danych oraz
dostrzeżone utrudnienia, problemy. Zaprezentowano ponadto przykłady narzędzi użytecznych
w wykonywaniu analiz meteorologicznych oraz w przygotowywaniu konkretnych produktów
meteorologicznych (map). Omówiono metodykę ich wykonania oraz wybrane problemy
związane z użytkowaniem wtyczek. W niektórych przypadkach określono możliwości
rozwiązania pojawiających się problemów. Opracowanie nie jest jednak przewodnikiem po
Quantum GIS.
Opracowanie składa się z pięciu rozdziałów i obejmuje:
• źródła prognostycznych danych meteorologicznych oraz drogi ich implementacji
w QGIS,
• oprogramowanie wspomagające pozyskiwania prognostycznych danych
meteorologicznych,
• aktualnie stosowane w Polsce aplikacje służące przygotowywaniu prognoz
warunków pogody, a więc wizualizacji, analizie i przetwarzaniu prognostycznych
danych meteorologicznych,
• wizualizację prognostycznych danych meteorologicznych w postaci wektorowej
i rastrowej ze wskazaniem metod oraz narzędzi,
• przykłady analiz wektorowych i rastrowych na prognostycznych danych
meteorologicznych,
• przykłady kartograficznych produktów meteorologicznych z ogólna metodyką
oraz dostrzeżone problemy,
• podsumowanie.
Pozyskiwanie prognostycznych danych meteorologicznych jest zasadniczym elementem
w procesie przygotowywania prognozy warunków pogody. W pracy wskazano ich lokalizację
w sieci Internet oraz narzędzia służące implementacji danych w QGIS, jako że dane
w formacie wektorowym można uzyskać wyłącznie na drodze konwersji typu raster-wektor.
Zasadniczo dane prognostyczne w wymianie międzynarodowej mają format rastrowy.
Dalsza część pracy poświęcona jest możliwościom wizualizacji, analizy
oraz przetwarzania prognostycznych danych meteorologicznych. Niektóre dane, szczególnie
wiatr (kierunek, prędkość), wymagają zastosowania specyficznych metod wyświetlania;
temu zagadnieniu poświęcono zatem więcej miejsca. Dobór prognostycznych danych
meteorologicznych wykorzystanych w rozdziale trzecim oparto na częstości ich stosowania;
wybrano zatem temperaturę powietrza (minimalną i maksymalną) na wysokości standardowej
2 m. n.p.t., wilgotność bezwzględną, zachmurzenie ogólne oraz poszczególnych pięter
wysokościowych, zjawiska meteorologiczne, kierunek i prędkość wiatru na wysokości
10 m n.p.t. oraz ciśnienie atmosferyczne i tendencję ciśnienia na poziomie morze i zależnie
od rzędnej punktu prognozy. W zakresie analiz wskazano na możliwości przetwarzania
danych prognostycznych zarówno dla warstw przyziemnych troposfery, jak i wyższych
poziomów barycznych (szczególnie 925, 850, 700 i 500 hPa). Zatem zasadniczym kryterium
4
doboru analiz była ich użyteczność z punktu widzenia prognozowania warunków pogody.
Poza tym zwrócono uwagę na ograniczenia techniczne towarzyszące wizualizacji i
przetwarzaniu danych. W tym miejscu należy wspomnieć, że w przypadku kolejnych wersji
oprogramowania mogą się one okazać nieaktualne; projekt oparto bowiem na wersji Quantum
GIS Tethys 1.5.0. W opracowaniu celowo pominięto wybrane szczegóły dotyczące
przeprowadzonych analiz.
Na końcu procesu prognostycznego znajduje się zawsze produkt graficzny
lub kartograficzny odpowiadający wymogom klienta, odbiorcy. W związku
z tym przedstawiono kilka map. Mają one stanowić przykład możliwości QGIS w zakresie
przygotowywania prognoz warunków pogody o różnym zakresie przestrzennym i czasowym.
Sformułowano przy tym ogólne zasadny wykonania oraz zwrócono uwagę na zaobserwowane
błędy czy problemy.
Każdy rozdział oraz całość pracy kończy podsumowanie stanowiące ocenę omawianego
etapu przygotowywania prognozy warunków pogody lub ogółu możliwości badanego
oprogramowania. Projekt będzie przedłożony do dalszych konsultacji zarządowi firmy, której
autor jest pracownikiem. Celem jest bowiem wdrożeniem systemu Quantum GIS i
zwiększenie zakresu wykonywanych usług oraz przygotowywanych produktów. Opracowanie
jest tylko merytoryczną częścią całego projektu. W dalszej perspektywie zostanie wykonana
ekonomiczna ocena efektywności wdrożenia Quantum GIS oraz rozpoczną się prace nad
przygotowaniem meteorologicznych wtyczek w PyGISie i automatyzacją analiz oraz
tworzenia kartograficznych produktów meteorologicznych. Jeśli nie podano źródła ryciny,
została ona wykonana przez autora pracy.
5
1.2. Quantum GIS
Quantum GIS jest oprogramowaniem udostępnianym na licencji Open Source (GNU
GPL), a więc z dostępem do kodu źródłowego. Może być rozwijany zarówno przez osoby
prywatne, jak i przez firmy komercyjne.
Program zaczął powstawać w 2002 roku jako odpowiedź na brak wydajnego systemu
geoinformacyjnego działającego na platformie Linux [27]. Wersja 1.0.0 ukazała się
w 2009 roku. Aplikacja jest tworzona w języku C++ [26]. Posiada rozbudowane możliwości
wczytywania, wizualizacji, przetwarzania, zarządzania i zapisu danych przestrzennych.
Bazując na bibliotekach GDAL/OGR, aplikacja obsługuje wiele formatów danych, zarówno
wektorowych, jak i rastrowych, w związku z czym jest bardzo konkurencyjna w stosunku
do oprogramowania komercyjnego. Pod względem funkcjonalności, szczególnie w zakresie
dostępnych narzędzi, ustępuje jeszcze innym aplikacjom geoinformacyjnym. Brakuje między
innymi rozbudowanego modułu do algebry map (niska funkcjonalność wtyczki RasterCalc
1.3), posiada ograniczenia w zakresie funkcji Złącz atrybuty lub Złącz atrybuty
przez lokalizację (m.in. trudności w łączeniu wielu tabel). Niemniej jego nieustanny
rozwój skutecznie niweluje te różnice. W efekcie QGIS może być z powodzeniem stosowany
zarówno w celach edukacyjnych, jak i przy profesjonalnych przedsięwzięciach [27].
Quantum GIS rozwijany jest przez programistów z kilkudziesięciu krajów [28], którzy
co jakiś czas spotykają się na tzw. Hackfestach, między innymi we Wrocławiu, gdzie kilka
dni i nocy poświęcają rozbudowie i porządkowaniu struktury aplikacji tak, by czynić ją coraz
użyteczniejszą i bardziej konkurencyjną na rynku [29]. Jednak każdy zainteresowany znający
środowisko programistyczne QGIS może go rozwijać.
Funkcjonalność QGIS oparta jest na systemie wtyczek (Plugins) tworzonych w języku
Pyton (aplikacja PyGIS). Umiejętność posługiwania się tym środowiskiem programistycznym
umożliwia tworzenie własnych narzędzi, zależnie od potrzeb oraz ich udostępnianie w ramach
instalatora wtyczek innym użytkownikom na całym świecie [30]. Wtyczki dostępne są
w dwóch typach repozytoriów: oficjalnym oraz nieoficjalnych, prowadzonych
przez użytkowników programu w różnych częściach świata, przygotowujących często
wyspecjalizowane, branżowe wtyczki [30]. W repozytoriach nieoficjalnych (uzupełniających,
wspierających) znajdziemy zatem między innymi wtyczkę do wyświetlania stratygrafii
(Arpat), do generalizacji przebiegu linii wg algorytmu Douglasa-Peuckera [1]
(DP Symplify), kalkulator rastrowy (RasterCalc), Przestrzenną Analizę Danych
dla Zbiorów Punktów (SDA4PP), czy generator znaku wodnego (Watermark Plugin).
Quantum GIS jest jednym z najpopularniejszych programów geoinformatycznych
na licencji Open Source [28]. Wśród przedsiębiorstw korzystających z tej aplikacji wymienia
się: NASA, Boeinga, Siemensa czy Adobe [27].
Aktualnie dostępna jest wersja QGIS 1.6.0. o nazwie Copiapó. W niniejszym projekcie
wykorzystano jednak wersję 1.5.0, ponieważ w czasie prowadzonych prac była to ostatnia,
rozwinięta (nietestowa), wersja aplikacji.
6
1.3. Prognostyczne dane meteorologiczne
Pod hasłem prognostycznych danych meteorologicznych rozumie się wyniki
matematycznego modelowania warunków pogody dystrybuowane w postaci plików GRIB.
Jest to międzynarodowy format zapisu i wymiany danych meteorologicznych w postaci grida.
W opracowaniu wykorzystano GRIBy numerycznego modelu prognostycznego GFS (Global
Forecasting System) [16]. Wszelkie prognostyczne elementy meteorologiczne (wyniki
modelowania) wykorzystane w projekcie dostępne są pod adresem:
http://nomad1.ncep.noaa.gov/ncep_data/index.html
N.O.M.A.D.S.
jest
systemem
dystrybucji
danych
przy
NOAA
(Narodowa Administracja ds. Oceanów i Atmosfery). Prócz prognoz, do dyspozycji mamy
również reanalizy meteorologiczne i klimatologiczne, a także wyniki monitoringu zmian
klimatu.
Pozyskanie danych odbywa się na kilku etapach. Przede wszystkim należy wybrać
serwer danych; w projekcie korzystano z serwera NOMAD1. Pozostałe posiadają częściowo
zbieżny zasób danych, choć serwer NOMAD2 i NOMAD3 są na etapie rozwoju [13].
W kolejnych krokach należy wskazać zasób interesujących nas danych oraz danych
datę startu modelu numerycznego (dzień wygenerowania danych prognostycznych) i godzinę,
z której pochodziły wyjściowe dane do modelowania. Projekt oparto na danych
prognostycznych modelu GFS o rozdzielczości 0,5×0,5° i horyzoncie czasowym 7 dni (GFS
High Resolution, 0.5 degree, 1 week). Skorzystano z opcji FTP2U. Po wyświetleniu zasobu
danych prognostycznych należy wybrać interesujące nas punkty czasowe prognozy, na
przykład dane wygenerowane podczas sesji o godzinie 00:00 UTC dla 9 godziny okresu
prognozy (gfs.t00z.master.grbf09). Oczywiście, zgodnie z treścią komunikatu na stronie
serwera danych, można wskazać jeden lub więcej punktów prognozy. Użytkownicy aplikacji
GrADS mogą jednocześnie pobrać pliki CTL oraz IDX niezbędne podczas korzystania z
treści pozyskanych zasobów danych prognostycznych. Następnie wybieramy poziomy
baryczne, dla których chcemy pozyskać wymienione niżej dane prognostyczne. Komunikat
informuje przy tym, że nie wszystkie możliwości są dostępne; oznacza to,
że w pojedynczych przypadkach istnieje konieczność pobrania danych dotyczących elementu
meteorologicznego, na przykład temperatury wirtualnej, dla wszystkich poziomów;
wskazanie tylko jednego skutkuje wygenerowaniem pustego pliku GRIB. Dostępne poziomy
baryczne opisano wartościami ciśnienia atmosferycznego. W przybliżeniu można powiedzieć,
że 25 hektopaskalom odpowiada wartość z przedziału od 200 do ponad 350 metrów,
przy czym im wyżej tym wyższa wartość; wynika to malejącej gęstości powietrza [6]. W
tabeli 1 podano nazwy dostępnych parametrów meteorologicznych.
7
Tabela 1.3.1. Oznaczenia i opis wybranych parametrów modelowania numerycznego warunków
pogody (model GFS)
Nr
Parametr
Opis danych
Różnica temperatury wznoszonej i ochładzanej adiabatycznie cząstki powietrza i
1.
4LFTX
temperatury otoczenia na czterech powierzchniach izobarycznych [K]
2.
5WAVH
Wysokość geopotencjalna fal Rossby’ego [gpm]
3.
ABSV
Wirowość absolutna [s-1]
4.
ACPCP
Całkowita suma opadów konwekcyjnych [mm]
5.
ALBDO
Albedo [%]
6.
APCP
Całkowita suma opadów atmosferycznych [mm]
7.
CAPE
Energia potencjalna dostępna konwekcyjnie [J kg-1]
8.
CFRZR
Opady marznące (0 – brak, 1 – jest)
9.
CICEP
Śnieg ziarnisty (0 – brak, 1 jest)
10.
CIN
Warstwy hamujące w atmosferze (0 – brak, 1 – są)
11.
CWORK
Funkcja pracy chmur [J kg-1]
12.
CLWMR
Stosunek zmieszania [kg kg-1]
13.
CPRAT
Intensywność opadów konwekcyjnych [kg m-2 s-1]
14.
CRAIN
Opad deszczu (0 – brak, 1 – jest)
15.
CSNOW
Opad śniegu (0 – brak, 1 – jest)
16.
CWAT
Woda w chmurach [kg m-2]
17.
DLWRF
Natężenie opadającego strumienia promieniowania długofalowego [W m-2]
18.
GFLUX
Natężenie promieniowania z gruntu [W m-2]
19.
GPA
Anomalia wysokości geopotencjalnej [gpm]
20.
HGT
Wysokość geopotencjalna [gpm]
21.
HPBL
Wysokość planetarnej warstwy granicznej [gpm]
22.
ICEC
Frakcja pokrywy lodowej
23.
LAND
Frakcja pokrywy lądowej
Różnica temperatury wznoszonej i ochładzanej adiabatycznie cząstki powietrza
24.
LFTX
oraz temperatury otoczenia [K]
25.
LHTFL
Strumień ciepła utajonego [W m-2]
26.
O3MR
Stosunek zmieszania ozonu [kg kg-1]
27.
PEVPR
Ewaporacja potencjalna [kg m-2]
28.
POT
Temperatura potencjalna [K]
29.
PRES
Ciśnienie atmosferyczne bez redukcji do poziomu morza [Pa]
30.
PRATE
Intensywność opadów atmosferycznych [kg m-2 s-1]
31.
PRMSL
Ciśnienie atmosferyczne zredukowane do poziomu morza [Pa]
32.
PWAT
Wodność w słupie troposfery [kg m-2]
33.
RH
Wilgotność względna [%]
34.
SHTFL
Strumień ciepła odczuwalnego [W m-2]
35.
SOILW
Frakcja wilgotności gleby
37.
TCDC
Zachmurzenie ogólne [%]
38.
TMAX
Temperatura maksymalna powietrza [K]
39.
TMIN
Temperatura minimalna powietrza [K]
40.
TMP
Temperatura powietrza [K]
44.
UGRD
Składowa U wektora wiatru
45.
ULWRF
Natężenie wznoszącego strumienia promieniowania długofalowego [W m-2]
48.
VGRD
Składowa V wektora wiatru
8
Jeśli jesteśmy zainteresowaniu pozyskaniem danych prognostycznych tylko
dla określonego regionu Świata, powinniśmy podać wartości graniczne współrzędnych
geograficznych. Zatwierdzenie całości skutkuje wygenerowaniem linku z dostępem
do zdefiniowanego zbioru danych prognostycznych. Wyjściowym formatem są rastrowe pliki
GRIB, jedno- lub wielokanałowe, zależnie od liczby poziomów izobarycznych, dla których
istnieją dane prognostyczne. Na przykład w przypadku zachmurzenia (TCDC) uzyskujemy
raster 6-kanałowy (zachmurzenie piętra niskiego, średniego, wysokiego, zachmurzenie
ogólne, zachmurzenie konwekcyjne i zachmurzenie w planetarnej warstwie granicznej).
Pozyskane w ten sposób dane prognostyczne mogą być bezpośrednio wykorzystywane
w Quantum GIS; GRIB jest bowiem jednym z wielu formatów danych dostępnych z poziomu
tego oprogramowania. Rastry GRIB cechują się rozdzielczością przestrzenną zależną od
możliwości numerycznego modelu prognostycznego, z którego pochodzą dane
meteorologiczne. W przypadku GFS mamy do dyspozycji rozdzielczość 2°szerokości
geograficznej × 2° długości geograficznej (dla okresu od 186 godziny prognozy), 1,0°×1,0°
lub 0,5°×0,5° (dla okresu do 180 godziny prognozy). W związku z tym rastry będą posiadały
piksele o wymiarach od około 250 do około 40 km. Krok czasowy prognozy wynosi
odpowiednio 12 oraz 6 i 3 godziny. Dane meteorologiczne zapisane są w układzie
współrzędnych LatLon (szerokość-długość geograficzna) opartym na elipsoidzie WGS-84.
Zastosowany układ odniesienia jest wiernokątny; powierzchnia jest zniekształcona (ryc.
1.3.1).
Ryc. 1.3.1. Zniekształcenie powierzchniowe kształtu Polski
Pozyskiwanie prognostycznych danych meteorologicznych w postaci warstw
wektorowych wymaga instalacji dodatkowego oprogramowania: zyGRIB lub/i tkdegrib. W
wersji Tethys, QGIS oferuje zdecydowanie więcej narzędzi do wyświetlania i przetwarzania
danych wektorowych niż rastrowych. Prognostyczne dane meteorologiczne mogą być
wczytywane w postaci plików w formacie ESRI SHP (shapefile).
9
1.4.
Oprogramowanie
do
pozyskiwania
prognostycznych
meteorologicznych w formacie wektorowym i rastrowym
danych
Wczytywanie danych prognostycznych w formacie wektorowym musi być poprzedzone
instalacją oprogramowania, które konwertuje rastrowe GRIBy do postaci warstw
wektorowych ESRI SHP. Zasadniczą rolę spełnia w tym przypadku program deszyfrujący,
dekodujący (deGRIB). Przykładem takiej aplikacji jest tkdegrib dystrybuowany bez
ograniczeń, zgodnie z wolą autorów, „w nadziei, iż okaże się przydatny” [21].
Aplikacja pozwala czytać zawartość plików GRIB i konwertować je do formatów: SHP,
NetCDF i ASCII. Najużyteczniejsza jest konwersja do formatu SHP. W tym przypadku
do dyspozycji mamy dwa wyjściowe typy geometryczne: punkt i poligon. Warstwa
poligonowa przypomina swą strukturą warstwę rastrową pliku GRIB – widoczny jest bowiem
podział na pola podstawowe (odpowiednio poligony i komórki rastra). Z kolei zapis do
postaci punktowej warstwy wektorowej prowadzi do wygenerowania sieci regularnie
rozmieszczonych punktów zlokalizowanych w węzłach siatki geograficznej o rozdzielczości
zależnej od wczytanych danych (2°×2°, 1°×1° lub 0,5°×0,5°). Aplikacja tkdegrib pozwala
również na definiowanie jednostek danych; do dyspozycji pozostają jednostki metryczne,
gribowe i angielskie. Ponadto, istnieje możliwość określenia precyzji zapisu danych, a więc
liczby miejsc po przecinku (ryc. 1.4.1.).
Ryc. 1.4.1. Okno aplikacji tkdegrib (degrib)
Zawartość (struktura) pliku GRIB wskazanego u góry widoczna w postaci układu wierszy
Drogą pozyskiwania prognostycznych danych meteorologicznych w formie rastrowej
jest, poza serwerem N.O.M.A.D.S., aplikacja zyGRIB [14]. Program umożliwia pobieranie
prognostycznych danych meteorologicznych w postaci depesz GRIB z serwera NOAA
(National Ocean and Atmosphere Agency) oraz ich wizualizację między innymi w postaci
map za pomocą barw czy izarytm. Dostępnych jest kilkanaście elementów meteorologicznych
dla czterech głównych poziomów izobarycznych (1000, 925, 850 i 500 hPa). Z lewej strony
okna aplikacji znajdują się informacje o lokalizacji punktu prognozy oraz o wartościach
wybranych elementów meteorologicznych (ryc. 1.4.2).
10
Ryc. 1.4.2. Okno aplikacji zyGRIB.
Widoczna mapa barwna temperatury powietrza z naniesionymi wartościami
w węzłach siatki geograficznej oraz przyziemne pole baryczne opisane izobarami co 5 hPa.
Oprócz
przeglądania
prognoz
kartograficznych
wybranych
elementów
meteorologicznych, istnieje możliwość generowania depesz GRIB, które z łatwością mogą
być dekodowane w aplikacji Degrib. zyGRIB umożliwia przy tym personalizowanie
zawartości GRIBów. Samodzielnie decydujemy o:
• Zasięgu przestrzennym (współrzędne geograficzne),
• Rozdzielczości przestrzennej (0,5°; 1,0°; 2,0°),
• Kroku czasowym (3, 6, 12, 24 godziny),
• Horyzoncie czasowym prognozy (1-7 dni).
Wskazujemy ponadto, które z dostępnych elementów meteorologicznych (temperatura
powietrza, prędkość i kierunek wiatru itp.) powinny się znaleźć w depeszy. Wybieramy
poziomy izobaryczne, poza poziomem 1000 hPa (dodawany jest domyślnie), dla których
chcemy uzyskać przestrzennych rozkład wybranych elementów meteorologicznych (ryc.
1.4.3). Zdefiniowaną depeszę realizujemy poprzez Download GRIB file.
Ryc. 1.4.3. Okno menedżera pobierania depeszy GRIB
11
Sama aplikacja, prócz map, pozwala na jednoczesne przeglądanie zmian wybranych
elementów meteorologicznych w czasie, w postaci tabeli. Dostęp do niej uzyskujemy poprzez
kliknięcie prawym przyciskiem myszy w interesującym nas miejscu na wyświetlanej mapie
i wybór opcji Meteotable (ryc. 1.4.4).
Ryc. 1.4.4. Okno opcji Meteotable – przeglądanie wybranych prognozy wybranych elementów
meteorologicznych dla wskazanego punktu (współrzędne na górnym pasku okna)
Zatem, pozyskiwanie GRIBów (format rastrowy) nie wymaga instalacji dodatkowego
oprogramowania, natomiast w przypadku konieczności, czy chęci korzystania z danych
wektorowych, należy skorzystać z aplikacji tkdegrib lub, o czym mowa w dalszej części
opracowania, dokonać ekstrakcji zawartości komórek rastra w oparciu o przygotowaną
warstwę wektorową punktów lub poligonów.
12
1.5. Geoodniesienie
Prognostyczne dane meteorologiczne wykorzystywane na potrzeby niniejszego
projektu posiadają domyślnie układ współrzędnych Długość-szerokość geograficzna oparty
na elipsoidzie WGS84. W związku z tym kształt map odbiega od ogólnie rozpoznawanego
(ryc. 1.5.1).
Ryc. 1.5.1. Przykład mapy w układzie długość-szerokość geograficzna WGS84
Program zapewnia jednak łatwą i szybką transformację między układami odniesienia
(Transformacja w locie). Przykładem jest transformacja do „PUWG 1992” (ryc. 1.5.2).
Ryc. 1.5.2. Przykład mapy w układzie „1992”
W projekcie przyjęto jednak układ domyślny dla danych prognostycznych, ponieważ
transformacja rastrów (np. GRIB) jest zdecydowanie bardziej kłopotliwa i czasochłonna,
wobec czego nie znaleziono uzasadnienia dla korzystania z transformacji. Można ją
zastosować w przypadku wyrażenia stosownego oczekiwania przez odbiorcę przygotowanych
produktów.
13
2. Wybrane aplikacje meteorologiczne stosowane w Polsce
Na potrzeby niniejszego opracowania przyjęto, że aplikacją meteorologiczną jest
program komputerowy służący do wczytywania, wyświetlania oraz przetwarzania
(analizowania) danych meteorologicznych. W związku z tym można go utożsamiać z
aplikacją geoinformacyjną wykorzystywaną do zarządzania danymi, w tym przypadku
branżowymi (meteorologicznymi).
Jedną z aplikacji stosowanych w zagranicznych i w polskich, szczególnie
komercyjnych, firmach z branży meteorologicznej jest amerykański GrADS (The Grid
Analysys and Display System) rozwijany w ramach Instytute of Global Environment and
Society. Służy do wizualizacji i analizy wszelkich danych naukowych (ang. science data).
Jest dystrybucją bezpłatną. GrADS wykorzystuje dane 4-wymiarowe (szerokość i długość
geograficzna, poziom izobaryczny i czas). Analizy mogą być przeprowadzane między
warstwami rastrowymi (analizy czasowe) oraz w obrębie danej warstwy, również z
wykorzystaniem danych obserwacyjnych (analizy przestrzenne). Aplikacja posiada aktualnie
okienkowy interfejs graficznych (wersja dla systemu Windows), choć wszelkie polecenia
mogą być nadal implementowane poprzez wiersz poleceń (m.in. wersja UNIX); GrADS
wykorzystuje język FORTRAN. Do dyspozycji użytkownika pozostaje kilkadziesiąt
rozmaitych funkcji (uśredniające, filtrujące, różnicowe, gridowe, matematyczne,
meteorologiczne, przestrzenne, dla danych obserwacyjnych ze stacji meteorologicznych czy
dla danych wektorowych), od najprostszych (suma, różnica) po bardziej skomplikowane
(regresja). Ponadto, użytkownik może definiować własne funkcje [31].
Program zapewnia możliwość wczytywania skryptów co czyni go jeszcze użyteczniejszym;
pozwala bowiem automatyzować wizualizacje i analizy. GrADS generuje nie tylko mapy, ale
również wykresy. Wyniki można zapisywać między innymi w postaci plików PNG. Oprócz
danych rastrowych, Program wczytuje dane w formacie wektorowym ESRI SHP. Aplikacja
jest ciągle rozwijana.
GrADS jest podstawową aplikacją stosowaną w firmie AURA CENTRUM sp. z o.o.,
którą autor projektu reprezentuje (ryc. 2.1).
Ryc. 2.1. Przykład mapy przygotowanej w programie GrADS dla AURA CENTRUM sp. z o.o.
(źródło: [34])
14
Pomimo jego niewątpliwych zalet, szczególnie łatwości zarządzania danymi, spektrum
obsługiwanych formatów danych rastrowych i wektorowych jest nadal, w porównaniu do
QGIS, bardzo wąskie. Poza tym Program nie daje możliwości przygotowywania
rozbudowanych graficznie prognoz warunków pogody, zwłaszcza w formacie SVG.
Przykładem innej aplikacji meteorologicznej (płatnej) jest Digital Atmosphere
rozwijaną przez Weather Graphics w Garland (Stany Zjednoczone). Powstała ona w roku
1992 roku, a do systemu Windows została przystosowana 4 lata później. Digital Atmosphere
jest w pełni fukcjonalnym programem prognostycznym bazującym na darmowych danych
meteorologicznych udostępnianych w Internecie przez Rząd Stanów Zjednoczonych oraz
uniwersytety. Dostępny jest w wersji standardowej oraz profesjonalnej. Dla celów testowych
można go pobrać w wersji TRIAL (30 dni). Aplikacja obsługuje kilkanaście rozmaitych
typów danych, między innymi: SYNOP, METAR, TEMP, GRIB, NEXRAD (ryc. 2.2).
Niestety część możliwości wizualizacyjnych i analitycznych ogranicza się do danych z
obszaru Ameryki Północnej (obrazy radarowe).
Ryc. 2.2. Przykład mapy przygotowanej w programie Digital Atmosphere (źródło: [35])
Aplikacja umożliwia wyznaczanie stref frontowych (dostępne gotowe zestawy
symboli), przygotowywanie profesjonalnych map synoptycznych przyziemnych i górnych,
analizowania diagramów termodynamicznych. Z punktu widzenia funkcjonalności, cena jest
całkiem przystępna (kilkaset złotych). Program posiada własny system znaków zgodny z
kluczem SYNOP. Nie przewidziano jednak możliwości tworzenia czy wczytywania własnych
symboli meteorologicznych, szczególnie ikon pogody.
Digital Atmosphere (DA) jest kompatybilny z aplikacjami GIS; obsługuje między
innymi dane w formacie SHP i GRIB, a więc w tym zakresie wykazuje podobieństwo do
QGIS. Niestety, w zakresie formatów eksportowych brak takich, które dzięki zachowanej
georeferencji mogłyby być wykorzystywane w innych aplikacjach GIS; Program zapisuje
wyniki pracy w postaci GIF, JPG, PNG i BMP. Podobnie jak GrADS, DA daje możliwość
korzystania ze skryptów [20].
Z uwagi na odpłatność za użytkowanie, DA nie jest tak powszechnie stosowany jak GrADS.
Jakkolwiek Digital Atmosphere służy przygotowywaniu map, diagramów, wykresów
w postaci zrozumiałej dla meteorologa, tak już program WeatherscapeXT firmy METRA z
Nowej Zelandii jest prawdziwym kombajnem meteorologicznym. Program pozwala tworzyć
w pełni profesjonalne, multimedialne prezentacje prognozy warunków pogody z
zastosowaniem najnowszych technologii graficznych. Stąd znalazł zastosowanie w wielu
znanych stacjach telewizyjnych, między innymi BBC, CNBC, Weather Chanel, Nelonen
15
(Finlandia) [22]; w Polsce prognozy warunków pogody w tym programie przygotowuje tylko
AURA CENTRUM sp. z o.o. z Poznania. Odbiorcami są TVP Poznań, TVP Bydgoszcz i
TVP Gorzów Wielkopolski.
Ryc. 2.3. Widok okna programu WeatherscapeXT.
Na obrazie scena prognozy warunków pogody dla TVP Bydgoszcz
WeatherscapeXT korzysta z danych meteorologicznych zapisanych głównie w
formacie GRIB. Pozwala tworzyć bardzo dynamiczne wizualizacje, zarówno w ujęciu
przestrzennym, jak i czasowym. Kamera stanowiąca elementarny składnik Programu
zapewnia widok na dowolny region świata z możliwością zbliżania, oddalania, zmiany kąta
spojrzenia i poruszanie się po zdefiniowanych ścieżkach z opcją zatrzymania na określony w
prezentacji czas. Spośród obsługiwanych formatów, z punktu widzenia kompatybilności z
systemami GIS, należy wskazać E00 (ESRI ArcINFO).
Elementy meteorologiczne mogą być wizualizowane za pomocą map, wykresów,
diagramów, a nawet fotografii – możliwość zdefiniowania zmian zachmurzenia i wystąpienia
oczekiwanych opadów atmosferycznych na tle zdjęcia danej miejscowości lub dowolnego
punktu na Ziemi. Program pozwala na budowanie dynamicznych map opadów (spadające
cząstki) (ryc. 2.3.), wiatru (przemieszczające się strzałki), ciśnienia atmosferycznego
(izobary), temperatury powietrza (mapa barwna) i inne. Dodatkowo, aplikacja obsługuje
ikony pogodowe, które mają fundamentalne znaczenie z punktu widzenia większość prognoz
telewizyjnych (ryc. 2.4.).
W podkładzie prognoz można wykorzystywać numeryczny model terenu (3D), warstwy
wektorowe z formami zagospodarowania terenu (drogi, nieruchomości, lasy). Program
różnicuje oświetlenie Ziemi zależnie od godziny, pory roku. Obsługuje obrazy satelitarne, a
więc pozwala wizualizować nie tylko prognozowane, ale i aktualne warunki pogodowe.
WeatherscapeXT służy jednak głównie wizualizacjom; posiada bardzo ograniczony
moduł analityczny. Możliwa jest tylko konwersja jednostek (°C, K, °F i in.), ekstrakcja
danych z grida na podstawie współrzędnych geograficznych.
16
Program bardzo dobrze integruje się z zewnętrznymi bazami danych, wszelkimi
formularzami danych. Umożliwia automatyzację przygotowywania prognoz telewizyjnych.
Zapisu efektów pracy można dokonać w postaci plików AVI, MOV, JPG, PNG, TIFF.
17
3. Wizualizacja i klasyfikacja prognostycznych danych meteorologicznych
3.1. Reprezentacja wektorowa
Reprezentacja wektorowa danych przestrzennych jest jedną z dwóch metod wyświetlania
informacji o powierzchni Ziemi w postaci cyfrowej. Stosowana jest przeważnie do wizualizacji
danych dyskretnych w formie punktu, linii lub poligonu. Rozmieszczenie punktów
reprezentujących węzły siatki geograficznej można zatem potraktować jako przykład reprezentacji
wektorowej. W literaturze wyodrębnia się jednak jeszcze jedną, poza rastrową i wektorową,
cyfrową formę wizualizacji; jest nią reprezentacja pola [9]. Systemy geoinformacyjne korzystają
z sześciu podejść do tego zagadnienia. Dwa z nich realizują koncepcję metody wektorowej,
a pozostałe – rastrowej. Jako przykład metody rastrowej podaje się siatkę regularnie
rozmieszczonych punktów (na przykład wartości rzędnej z modelu DEM). Jednak wartości
zmiennej pola zapisane w siatce nieregularnie rozmieszczonych punktów (na przykład stacji
meteorologicznych) traktuje się już jako przykład metody wektorowej. Takie rozgraniczenie nie
znajduje uzasadnienia.
3.1.1. Typy geometryczne danych
Dane zapisane w postaci wektorowej mogą być reprezentowane przez trzy główne typy
geometryczne: punkt, linię i poligon [9]. Prognostyczne dane meteorologiczne wczytywane są do
QGIS w postaci punktów tworzących regularną siatkę, a odpowiadających lokalizacji węzłów siatki
geograficznej o rozdzielczości przestrzennej 0,5° × 0,5° lub w postaci poligonów (kwadratów),
których środek znajduje się w węźle siatki geograficznej (ryc. 3.1.1.1).
Ryc. 3.1.1.1. Przykłady dostępnych geometrycznych typów prognostycznych danych meteorologicznych
(po lewej punkty, po prawej poligony)
18
Możliwości wyświetlania wartości danych meteorologicznych jedynie przy użyciu typów
geometrycznych są ograniczone do zarządzania barwą (ryc. 3.1.1.2, 3.1.1.3).
Ryc. 3.1.1.2. Dane punktowe
Ryc. 3.1.1.3. Dane punktowe po klasyfikacji
Na rycinie 3.1.1.2 zastosowano wizualizację po klasyfikacji według wartości unikalnych.
Oznacza to, iż każdej wartości przypisano inny odcień skali barw (trzy palety: czerwono-żółta,
żółto-zielona i biało-niebieska) (ryc. 3.1.1.4). W wersji 1.5.0 programu mamy do dyspozycji
zarówno stylizację tradycyjną (starą) jak i nową (przycisk Stare Style/ Nowe Style
w prawym górnym narożniku okna stylizacji). Wbrew pozorom, w zakresie rysowania symboli
wg pola, większe możliwości wizualizacyjne daje tzw. stara stylizacja. Umożliwia bowiem między
innymi obrót symboli czy skalę powierzchni zależne od wartości ze wskazanej kolumny danych.
Nowa Stylizacja daje co prawda możliwość obracania symboli, jednak wartość kąta
wskazywana jest arbitralnie przez użytkownika i realizowana jest dla każdego symboli niezależnie
od wartości jego atrybutów. Niemniej wybór Nowej Stylizacji zapewnia opcję korzystania
z pola wektorowego, rozsunięcia punktów czy klasyfikacji danych opartej na zadanej regule.
Przygotowane palety barw, kształtów, symboli można zapisywać oraz wczytywać już istniejące.
19
Ryc. 3.1.1.4. Okno stylizacji warstwy w programie Quantum GIS v. 1.5.0
Z kolei na rycinie 3.1.1.3 sklasyfikowano dane (w tym przypadku wartości temperatury
powietrza) w kilku przedziałach. O ile w przypadku metody wartości unikalnych dodawanie
legendy do kompozycji nie znajduje uzasadnienia (zbyt wiele danych), o tyle po klasyfikacji staje
się wręcz nieodzowne. Dodawanie legendy oraz innych elementów składowych kompozycji mapy
(skala, róża wiatrów) możliwe jest na tzw. wydrukach. Niezależnie od tego, oba sposoby
wizualizacji danych zapisanych w postaci punktów trudno uznać za bardzo użyteczne
z meteorologicznego punktu widzenia. Wynika to przede wszystkim z ograniczonej czytelności
takich wizualizacji, a więc z dystansu dzielącego poszczególne punkty. Oczywiście, istnieje
możliwość zwiększenia rozmiaru punktów tak, by były one do siebie styczne i zwiększały ciągłość
obrazu. Taki efekt wydaje się jednak nieestetyczny. Można to zmienić poprzez nadanie punktom
nowego kształtu – kwadraty będą imitowały układ poligonowy zapewniając pełną ciągłość obrazu.
Ten drugi zabieg nie znajduje jednak uzasadnienia, zwłaszcza że dane meteorologiczne można
wczytać od razu w postaci poligonów (ryc. 3.1.1.5).
Ryc. 3.1.1.5. Dane poligonowe
20
Ryc. 3.1.1.6. Dane poligonowe po klasyfikacji
Możliwości wyświetlania prognostycznych danych meteorologicznych w postaci
poligonowej są zbliżone do tych dostępnych dla warstw punktowych. Efekt wizualizacji jest jednak
ciekawszy. Układ poligonów upodabnia obraz do rastra, choć wielkość poligonu może obniżać
czytelność. Rozmiar nie wynika jednak z możliwości technicznych QGIS lecz z rozdzielczości
samych danych. Pierwszy obraz (ryc. 3.1.1.5) cechuje się większą płynnością, drugi jednak
(ryc. 3.1.1.6) pozwala na precyzyjniejsze określenie wartości elementu meteorologicznego
w danym poligonie. Celem poprawy wyrazistości obu rycin można zwiększyć kontrast.
3.1.2. Typy graficzne danych
Stosowanie punktów lub poligonów determinuje możliwości wyświetlania danych oraz zakres
dostępnych analiz. Wartości poszczególnych elementów meteorologicznych mogą być
prezentowane za pomocą:
2. etykiet,
3. symboli synoptycznych zgodnych z kluczem SYNOP-FM12 [10],
4. ikon pogodowych rozumianych jako graficzna reprezentacja zachmurzenia i zjawisk
meteorologicznych.
Etykietowanie polega na wyświetlaniu zawartości wybranej kolumny z tabeli atrybutów w
postaci nieprzetworzonej, tj. jako wartości (cyfry lub liczby) lub nazwy. Opcja dostępna jest z
poziomu menu kontekstowego (Właściwości) lub w menu głównym ( ). Posiada ona szereg
użytecznych opcji. Przede wszystkim zapewnia możliwość definiowania lokalizacji etykiet na kilka
komplementarnych sposobów, które działają globalnie (efekt jest jednakowy dla wszystkich
etykiet) lub lokalnie (możliwość określenia położenia każdej etykiety niezależnie) (ryc. 3.1.2.1):
1. w części zatytułowanej Umiejscowienie (zakładka Właściwości etykiet),
wskazuje się położenie etykiety w stosunku do położenia punktu posługując się ośmioma
kierunkami (m.in. powyżej, poniżej, po prawej, powyżej z prawej, poniżej
z prawej itd.),
2. w części oznaczonej jako Przesunięcie (zakładka Właściwości etykiet),
określa się odległość etykiety od lokalizacji punktu zarówno w punktach, jak i w
jednostkach mapy,
21
3. a w części oznaczonej jako Lokalizacja oparta na danych (Zakładka
Zaawansowane) istnieje możliwość zdefiniowania położenia każdej etykiety poprzez parę
współrzędnych w układzie odniesienia mapy lub przez określenie wartości przesunięcia (w
punktach); druga możliwość jest analogiczna do dostępnej w zakładce Właściwości
etykiet, jednak działa lokalnie.
Ryc. 3.1.2.1. Okno etykietowania warstwy wektorowej z poziomu właściwości warstwy
(po prawej zakładka Właściwości etykiety, po lewej zakładka Zaawansowane)
Ryc. 3.1.2.2. Okno etykietowania warstwy wektorowej z poziomu menu głównego
QGIS zapewnia dodatkowo możliwość zmiany kierunku przebiegu etykiety poprzez
zdefiniowanie w tabeli atrybutów wartości kąta dla każdego obiektu warstwy (ryc. 3.1.2.1).
Poza możliwościami etykietowania dostępnymi z poziomu menu kontekstowego, ikona
widoczna w menu głównym programu pozwala skorzystać z nieco innych możliwości
(ryc. 3.1.2.2). Dotyczy to w szczególności takiego zdefiniowania właściwości etykiet, aby uniknąć
ich wzajemnego nakładania (kolizji).
22
Ryc. 3.1.2.3. Mapa temperatury powietrza – przykład etykietowania wartościami atrybutu
Najprostszym przykładem etykiety jest wartość atrybutu. Rycina 3.1.2.3 ilustruje przestrzenny
rozkład temperatury powietrza opisany etykietami liczbowymi. Dla uproszczenia przyjęto wartości
całkowite, choć możliwe jest wyświetlanie również części dziesiętnych.
Poza etykietami, QGIS umożliwia wizualizację danych meteorologicznych w postaci
symboli zgodnych z kluczem SYNOP-FM12 [10]. Niestety aplikacja nie dostarcza wspomnianych
symboli. Potrafi jednak wykorzystywać symbole przygotowane w formacie SVG, a takie można
wykonać samodzielnie i zaimplementować. Skorzystano więc z tego rozwiązania i przygotowano
zestaw znaków dla zachmurzenia oraz wybranych zjawisk meteorologicznych (opad deszczu
lub mżawki oraz śniegu) uwzględniając ich intensywność (ryc. 3.1.2.4 i 3.1.2.5).
Ryc. 3.1.2.4. Mapa zachmurzenia – przykład etykietowania symbolami meteorologicznymi
Ryc. 3.1.2.5. Mapa opadów atmosferycznych etykietowana symbolami meteorologicznymi
23
Zestaw symboli meteorologicznych nie wymaga legendy. System stosowanych znaków jest
bowiem znany każdemu meteorologowi, a mapy, których przykłady przedstawiono na ryc. 3.1.2.4
i 3.1.2.5 mają służyć jako pomoc w przygotowywaniu prognoz warunków pogody; nie są więc
skierowane do odbiorcy.
Nowo tworzone znaki można zapisywać w postaci pliku QML i w ten sposób
rozbudowywać bibliotekę dostępnych stylów, łatwych do wczytania na kolejnych mapach,
przy zmieniających się wartościach elementu meteorologicznego. W zakresie edycji symboli, QGIS
oferuje możliwość ingerowania w ich rozmiar, położenie i kąt (możliwość obrotu). Wspomniane
funkcje realizowane są dla każdego symbolu niezależnie. Poza kontrolą, z poziomu aplikacji,
pozostaje regulacja przezroczystości i barwy symboli zapisanych w formacie SVG. Zróżnicowanie
barwne znaków na rycinie 3.1.2.5 uzyskano w aplikacji Adobe Ilustrator CS2. Barwą zieloną
oznaczono opady o słabej, czarnym o umiarkowanej intensywności.
Specyficznym przykładem zastosowania symbolizacji meteorologicznej jest wizualizacja
kierunku i prędkości wiatru. Odmienność wyraża się bowiem z jednej strony w konwersji danych
zapisanych w depeszach GRIB, z drugiej w samym sposobie wyświetlania (symbol
dwuwartościowy: kierunek-prędkość).
Ryc. 3.1.2.6. Graficzna interpretacja składowych wektora wiatru z pliku GRIB
24
Wektor wiatru (czerwone strzałki na ryc. 3.1.2.6) opisany jest w depeszy dwoma
składowymi: u i v (parametry UGRD i VGRD – por. str. 6); są to współrzędne kartezjańskie punktu
końcowego wektora (ryc. 3.1.2.6). Początek (punkt zaczepienia) znajduje się zawsze w punkcie
o współrzędnych [0;0]. Składowa u przyjmuje tylko wartości większe lub równe „0”, natomiast v
wartości dodatnie, ujemne lub „0”. Kąt (liczony jak azymut geograficzny, od dodatniej półosi OY
w prawo) zawarty między tą półosią a wektorem wiatru (strzałka czerwona) wskazuje kierunek
wiatru (w stopniach), natomiast długość wspomnianego wektora – jego prędkość (w m·s -1).
Quantum GIS wymaga matematycznego zdefiniowania obu składowych wiatru; odpowiednie
wzory podano niżej (3.1.2.7, 3.1.2.8).

α =  2 ⋅ atan


Kierunek wiatru (°)
(u
u
2
+ v2
)
 180
⋅
+ 180 , gdzie
 π

(3.1.2.7)
α – funkcja kierunku wiatru,
u – składowa UGRD wiatru,
v – składowa VGRD wiatru
Prędkość wiatru (m·s-1)
V = u 2 + v 2 , gdzie
(3.1.2.8)
V – funkcja prędkości wiatru,
u – składowa UGRD wiatru,
v – składowa VGRD wiatru
Parametry definiujące wektor wiatru (UGRD, VGRD) tworzą niezależne warstwy
wektorowe. Oznacza to, że podczas konwersji formatów (raster-wektor), w jednym pliku SHP
atrybutem jest składowa u wektora wiatru, natomiast w drugim – składowa v. Z uwagi na to,
iż QGIS nie daje możliwości wykonywania operacji matematycznych na danych zebranych
w więcej niż jednej tabeli atrybutów, należy połączyć obie warstwy wykorzystując narzędzie
Złącz atrybuty według lokalizacji. Następnie należy utworzyć dwie kolumny, a wartości
w nich zdefiniować za pomocą przedstawionych wyżej wzorów.
Ryc. 3.1.2.9. Okno Właściwości warstwy wektorowej w nowej stylizacji
25
Aplikacja w wersji 1.5.0 umożliwia wyświetlanie składowych wektora za pomocą legendy
Vector field. dostępnej w zakładce Style we właściwościach warstwy (ryc. 3.1.2.9). Vector
field jest wtyczką pochodzącą z nieoficjalnego repozytorium wtyczek QGIS (QGIS Contributed
Repository) autorstwa Chrisa Cooka.
W zakładce wskazujemy typ pola wektorowego (Vector field type) jako Polar
(length, angle) field, bowiem dysponujemy odpowiednio prędkością wiatru, która określi
długość wektora (length) oraz kierunkiem, czyli kątem (angle). W tym miejscu trzeba zwrócić
uwagę na orientację kąta (Angle orientation) – należy wybrać azymut geograficzny (East
from North) Następnie wskazujemy odpowiednie kolumny tabeli atrybutów. Istnieje dodatkowo
możliwość zdefiniowania cech graficznych wyświetlanych danych, między innymi skali (długość
wektora elementarnego), rozmiaru grota strzałki, barw i innych. Przykładowy efekt wizualizacji
przedstawia ryc. 3.1.2.10.
Ryc. 3.1.2.10. Okno Właściwości warstwy wektorowej
Długość wektora określa prędkość wiatru w [m·s-1]. Z uwagi na słabą, graficzną
rozróżnialność tej cechy, wartość prędkości wyświetlono dodatkowo w postaci wycentrowanej
etykiety. Z kolei orientacja wektora wskazuje kierunek wiatru.
Innym, prostszym rozwiązaniem problemu wizualizacji wektora wiatru jest skorzystanie,
nieoczekiwanie, z tzw. starej stylizacji QGIS. Zapewnia on bowiem możliwość definiowania
symboli wektora wiatru przyjętych w meteorologii (ryc. 3.1.2.11).
Ryc. 3.1.2.11. System znakowania prędkości wiatru zgodny z wymogami WMO [18]
26
Ryc. 3.1.2.12. Okno Właściwości warstwy wektorowej w starej stylizacji
W oknie Właściwości warstwy wektorowej (w starej stylizacji) (ryc. 3.1.2.12) wskazujemy:
• pole klasyfikacji, czyli kolumnę w tabeli atrybutów zawierającą dane o prędkości wiatru,
• tryb (równe przedziały) oraz
• liczbę klas (przedziałów wartości prędkości wiatru).
Akceptacja przyciskiem Klasyfikuj generuje podział wartości na klasy (widoczne na białym tle
okna Właściwości warstwy. Zależnie od przyjętych kryteriów możemy zmienić wartości
progowe poszczególnych przedziałów. Domyślny system znaków (na ogół barwne kółka)
zastępujemy symbolami wektora wiatru przygotowanymi w formacie SVG i zamieszczonymi
wcześniej w katalogu o dowolnej nazwie o ścieżce dostępu (Quantum GIS Tethys\apps\qgis).
Wskazując natomiast kolejne klasy, z lewej strony okna, w polu Obrót wybieramy atrybut kierunku
wiatru pamiętając, że jego wartości muszą być powiększone o 90°; kąt 0° oznacza domyślnie
kierunek zachodni. Przykładem efektu wizualizacyjnego jest rycina 3.1.2.13.
Ryc. 3.1.2.13. Mapa kierunku i prędkości wiatru –
przykład etykietowania symbolami meteorologicznymi
27
Trzecią możliwością prezentowania prognostycznych danych meteorologicznych w aplikacji
Quantum GIS są ikony meteorologiczne (pogodowe). Grafikę tego rodzaju można, podobnie jak
w przypadku symboli synoptycznych, przygotować w formacie SVG. Jednak w odróżnieniu
od znaków z klucza meteorologicznego, ikony muszą być zróżnicowane ze względu na porę doby
i przedstawiać wielkość zachmurzenia według klasyfikacji jakościowej [18]. W związku z tym
wykonano ikony zarówno dla dnia, jak i dla nocy (ryc. 3.1.2.14, 3,1.2.15). Taki sposób wizualizacji
danych meteorologicznych jest niepełny; brakuje bowiem informacji o rodzaju i natężeniu zjawisk
atmosferycznych, szczególnie opadów. Można ją uzyskać poprzez wykonanie dodatkowego
zestawu ikon. Kompletna mapa zachmurzenia i zjawisk atmosferycznych powstaje zatem na drodze
jednoczesnego wyświetlenia ikon zachmurzenia i zjawisk atmosferycznych.
Ryc. 3.1.2.14. Mapa zachmurzenia i zjawisk meteorologicznych dla dnia
jako przykład symbolizacji ikonami pogodowymi
Ryc. 3.1.2.15. Mapa zachmurzenia i zjawisk meteorologicznych dla nocy
jako przykład symbolizacji ikonami pogodowymi
Również w tym przypadku istnieje możliwość zdefiniowania stylu i legendy na stałe (zapis
do pliku QML) (ryc. 3.1.2.16). W polu Etykieta, obok klasyfikacji ilościowej, można wyświetlić
klasyfikację jakościową (nazwy wielkości zachmurzenia podane w jednej z dwóch form zapisu –
por. słownik). Na mapie wykorzystano ikony statyczne, dwuwymiarowe. Nie sprawdzano działania
ikon dynamicznych, 2,5-wymiarowych, ponieważ wymagałoby to napisania odpowiedniej wtyczki,
niemniej z technicznego punktu widzenia istnieje możliwość ich obsługi. Ta cześć projektu zostanie
28
zrealizowana, o ile sam projekt uzyska pozytywną opinię po konsultacjach w firmie AURA
CENTRUM sp. z o.o.
Ryc. 3.1.2.16. Okno Właściwości warstwy wektorowej w nowej stylizacji
Obie zaprezentowane powyżej mapy (ryc. 3.1.2.14, 3.1.2.15) ukazują rozmaite możliwości
wizualizacji wybranych komponentów warunków pogody. Jako podkład można zastosować
zarówno mapę wektorową jak i rastrową. W pierwszym przypadku wczytano podział
administracyjny Polski na tle mapy wektorowej Eurazji (V-MAP LEVEL 1) [23], w drugim –
Numeryczny Model Terenu SRTM [26] z nocną paletą barw przygotowaną w QGIS. Warunki
pogody w ciągu dnia można wyświetlić na tle SRTM z tradycyjną paletą barw, zgodną ze skalą
międzynarodową przyjętą dla map hipsometrycznych [12]; dla nocy rozwiązaniem może być
gradient niebiesko-biały (niziny-góry).
29
3.2. Reprezentacja rastrowa
Obok reprezentacji wektorowej, prognostyczne dane meteorologiczne można wyświetlać
bezpośrednio w postaci rastrowej. Quantum GIS obsługuje kilkanaście formatów danych
rastrowych, w tym trzy, w których dostarczane są dane z modelowania warunków pogody (ASCII,
GRIB i NetCDF). Praktyka udowodniła jednak, że wymienione formaty nie do końca się
sprawdzają.
Plik w formacie ASCII wyświetla powierzchnię w jednakowej barwie (ryc. 3.2.1), a więc
wymaga klasyfikacji danych. Automatyczne wydzielenie kilku klas wskazuje jednak na lokalny
brak danych (czarny pasek na ryc. 3.2.1), co utrudnia ich wyświetlanie oraz analizę rastrową.
Ryc. 3.2.1. Efekt błędnej konwersji danych z GRB do ASCII;
czarne pola wskazują na brak wartości
Błąd ten nie wynika jednak z funkcjonalności QGIS, lecz z jakości dostarczonych danych
rastrowych, mimo iż wygenerowanie tych samych danych w postaci wektorowej nie wskazuje na
istnienie podobnego problemu. Plik ASCII generowany jest w aplikacji tkdegrib, którego algorytm
konwersji danych z GRB do ASCII za pewne jest źródłem błędu. Opisana sytuacja nie miałaby
istotnego znaczenia, gdyby nie fakt, iż w przypadku wielu elementów meteorologicznych
wyznaczenie górnej granicy rzeczywistego przedziału wartości (rzeczywistej wartości
maksymalnej) staje się przez to kłopotliwe; jest to co prawda możliwe, jednak czasochłonne.
Problem nie istnieje w przypadku elementów meteorologicznych tworzących zbiór zamknięty (na
przykład zachmurzenie opisane w procentach przyjmuje tylko wartości od 0 do 100). Udana
klasyfikacja danych daje w rezultacie obraz podobny do modelu wektorowego złożonego z
poligonów, ale poddanego klasyfikacji (zróżnicowaniu barw według wartości atrybutu) (ryc. 3.2.2).
30
Ryc. 3.2.2. Efekt błędnej konwersji danych z GRB do ASCII (obraz po klasyfikacji);
czarne pola wskazują na brak wartości
Pomimo braku danych (wartość „9999”), możliwa jest algebra tego rodzaju map [9], między innymi
przy użyciu kalkulatora rastrowego (RasterCalc). Trudna, z punktu widzenia wiarygodności i
poprawności uzyskiwanych wyników, jest natomiast analiza statystyczna, a więc obliczanie
wartości wybranych charakterystyk danych, między innymi średniej czy odchylenia standardowego.
Pośród dostępnych formatów danych rastrowych, mamy również do dyspozycji GRIB (ang.
GRIdded Binary), a więc format WMO wymiany danych meteorologicznych, szczególnie
prognostycznych. QGIS wyświetla zawartość takiego pliku poprawnie, tj. nie występuje problem
brakujących danych (ryc. 3.2.3)
Ryc. 3.2.3. Przykład rastra w formacie GRIB przed klasyfikacją;
na mapie przestrzenny rozkład temperatury powietrza
Mapa przedstawia przestrzenne zróżnicowanie temperatury powietrza. Niestety QGIS 1.5.0. nie
daje możliwości dodawania legendy dla warstwy rastrowej; należy ją przygotować poza aplikacją.
W związku z tym powyższy obraz, wyświetlany poza aplikacją, dostarcza jedynie informacji o
obszarach względnie cieplejszych i chłodniejszych. W ramach nieprofesjonalnego podejścia, można
wykonać zrzut obrazu ekranu do pliku, odpowiednio przyciąć i skomponować razem z mapą w
dowolnym programie graficznym. Rozwiązanie to jest jednak o tyle kłopotliwe, że wymaga
wyświetlenia mapy przy użyciu palety dyskretnej, która pozwala zorientować się co do wartości
poszczególnych pól podstawowych. Zaprezentowana mapa (ryc. 3.2.3) wykonana została z
31
zastosowaniem palety, której część barw powstała na drodze interpolacji liniowej; stąd możliwość
wyświetlenia w legendzie kolorów odpowiadających tylko wybranym wartościom (ryc. 3.2.4)
Ryc. 3.2.4. Przykład legendy do mapy z ryc. 3.2.3
Z kolei wyświetlanie warstwy rastrowej z zastosowaniem palety zdyskretyzowanej zwiększa
kontrastowość obrazu, co w przypadku danych o wyraźnie rozróżnialnych polach podstawowych
(rozmiar pola podstawowego rastra z ryc. wynosi 0,5°×0,5°) stwarza wrażenie sztuczności. Do tego
granice poszczególnych stref termicznych są ostre, niewygładzone. Wskazany efekt można
częściowo wyeliminować wykonując bardzo szczegółową legendę, w tym przypadku dzieląc pełen
zakres wartości na jak najmniejsze przedziały (na przykład jednostopniowe) (ryc. 3.2.5).
Ryc. 3.2.5. Przykład rastra w formacie GRIB po reklasyfikacji wraz z legendą
Prognostyczne dane meteorologiczne dostępne są nie tylko dla obszaru Polski, ale dla całej
powierzchni Ziemi. Na ryc. 3.2.6. zaprezentowano przykład wizualizacji wielkości zachmurzenia
ogólnego (wszystkich pięter wysokościowych) na tle Europy. Zastosowano autorską paletę barw i
dodano siatkę geograficzną. Siatka geograficzna tworzona jest w postaci pliku SHP, a więc
południki i równoleżniki zapisywane są w postaci obiektów wektorowych. Dzięki temu istnieje
możliwość pełnej edycji takiej warstwy (regulacja cech geometrycznych i właściwości
graficznych).
Przy okazji omawiania właściwości rastrów z danymi meteorologicznymi należy wspomnieć
o ich dwóch typach ze względu na liczbę kanałów. Do dyspozycji mamy bowiem rastry
jednokanałowe (np. z wartością temperatury powietrza dla określonego poziomu wysokościowego)
oraz wielokanałowe zawierające informacje o danym elemencie meteorologicznym z podziałem na
wybrane piętra wysokościowe. Wspomniana warstwa zachmurzenia jest właśnie przykładem rastra
wielokanałowego. Po jego wyświetleniu w QGIS, w zakładce ValueTool ukazuje się zestaw
32
informacji o nazwie kanału (w tym przypadku o typie zachmurzenia) oraz o wartości atrybutu w
danym polu podstawowym.
Ryc. 3.2.6. Przykład mapy wielkości zachmurzenia nad wybranym obszarem Europy;
im ciemniejszy odcień szarości, tym większe zachmurzenie
Istnieje jeszcze jeden format rastrowych danych meteorologicznych; mowa o GMT
NetCDF. Jednak ze względu na brak możliwości wczytania tego typu plików, pomimo iż figurują
one jako jeden z dostępnych formatów danych rastrowych, zostały pominięte. Aplikacja QGIS
1.5.0. wyświetla bowiem komunikat o nie obsługiwaniu wspomnianego źródła danych (ryc. 3.2.7).
Ryc. 3.2.7. Okno komunikatu o nie obsługiwaniu formatu NetCDF
W zakresie właściwości warstwy rastrowej w formacie GRIB, aplikacja oferuje możliwość
uzyskania histogramu, a więc diagramu zawierającego informacje na temat liczby pól
podstawowych o określonej wartości zmiennej (ryc. 3.2.8). Histogram można wykonać dla
dowolnego kanału rastra, w postaci wykresu liniowego lub diagramu kolumnowego. Nieco
kłopotliwa jest liczba kolumn dostępna w aplikacji; istnieje możliwość wyboru między ośmioma a
sześćdziesięcioma czterema.
33
Ryc. 3.2.8. Okno Właściwości warstwy wektorowej w nowej stylizacji
Ryc. 3.2.9. Okno Właściwości warstwy wektorowej w nowej stylizacji
Z kolei w zakresie stylizacji, o ile raster ma więcej niż jeden kanał, można wskazać ten, który
zamierzamy zwizualizować. Istnieje również opcja budowania kompozycji RGB (3 kanały).
Dostępna jest możliwość wzmacniania kontrastu według kilku algorytmów (ryc. 3.2.9).
34
3.3. Podsumowanie
Możliwości wizualizacji prognostycznych danych meteorologicznych w aplikacji QGIS
1.5.0 należy zatem ocenić wysoko. Są one szczególnie rozbudowane w zakresie danych w formacie
wektorowym SHP. Program zapewnia rozmaite style (typy legend), zarówno dla danych
punktowych, liniowych jak i poligonowych. Istnieje możliwość wyboru skal barw, tworzenia i
zapisu własnych. QGIS obsługuje nie tylko typy geometryczne danych, lecz także typy graficzne,
zwłaszcza w formacie SVG, co jak wykazano, ma wyjątkowo duże znaczenie praktyczne z punktu
widzenia przygotowywania prognoz warunków pogody. Oczywiście, podobnie jak w przypadku
skal barw, aplikacja pozwala przygotowywać własne symbole rastrowe, a umożliwia wczytywanie
znaków SVG, w tworzeniu których pomagają tak popularne aplikacje jak Inkscape, Corel, Adobe
Illustrator.
Dobrze rozwinięta jest opcja etykietowania dostępna zarówna we Właściwościach warstwy,
jak i w menu głównym. Etykietami mogą być wartości atrybutu, symbole rastrowe czy wektorowe
SVG. Możliwości etykietowania mają wymiar komplementarny, co oznacza, że różne opcje
etykietowania mogą być wykorzystywane jednocześnie.
35
4. Podstawowe narzędzia do przetwarzania wektorowych i rastrowych danych
prognostycznych
Quantum GIS oferuje całkiem szeroki wachlarz możliwości przetwarzania i analizy danych,
w tym prognostycznych danych meteorologicznych. Dostępne są narzędzia zorientowane na
warstwy wektorowe oraz rastrowe. Do najbardziej użytecznych dla meteorologa należą:
4. Filtr danych wektorowych
5. Interpolacja
6. Point sampling tool
7. RasterCalc
8. Statist
9. Generuj warstwice
10. Kriging
Większość narzędzi umożliwia pracę na danych wektorowych, jednak konwersja danych
rastrowych do formatu wektorowego jest prosta, szybka i wydajna. Najlepsze efekty osiąga się
podczas ekstrakcji danych z rastra wielokanałowego.
4.1. Podstawowe statystyki danych (wtyczka Statist)
Wtyczka Statist umożliwia generowanie wybranych parametrów statystycznych dla wskazanej
warstwy meteorologicznej oraz interesującego nas elementu meteorologicznego. Obliczane są:
5. liczba elementów warstwy (punktów, poligonów),
6. liczba elementów unikalnych,
7. wartość minimalna,
8. wartość maksymalna,
9. rozstęp,
10. suma,
11. wartość średnia,
12. mediana,
13. odchylenie standardowe i
14. współczynnik zmienności (cv).
Dodatkowo wyświetla się histogram analizowanego elementu meteorologicznego. Oczywiście,
część wymienionych cech nie znajduje zastosowania przy analizie danych meteorologicznych –
dotyczy to szczególnie liczby elementów warstwy oraz liczby wartości unikalnych, a także sumy.
Pozostałe mogą być stosowane przy wstępnej analizie meteorologicznej. Na ryc. 4.1.1.
przedstawiono efekt wczytania warstwy wektorowej z prognostycznymi wartościami temperatury
powietrza w Polsce o określonej godzinie. Wartości minimalnych i maksymalnych nie należy
traktować dosłownie. Z meteorologicznego punktu widzenia sformułowania te mają zupełnie inne
znaczenie; w tym przypadku można mówić jedynie o wartości najniższej oraz najwyższej na
rozpatrywanym obszarze. Komplet statystyk umożliwia wstępne rozpoznanie warunków pogody. W
przedstawionym przykładzie niemal 20-stopniowa amplituda temperatury powietrza sygnalizuje
36
znaczną zmienność warunków atmosferycznych. Niewątpliwie wiąże się ze zróżnicowaniem
wielkości zachmurzenia, a więc może oznaczać obecność frontu atmosferycznego. Wartości
najniższe mogą wskazywać na rozpogodzenia, natomiast najwyższe na obecność frontu
atmosferycznego lub/i dużego zbiornika wodnego (w tym przypadku Morza Bałtyckiego). Przegląd
histogramu wskazuje na przewagę wartości temperatury powietrza z przedziału od około (-8) do
około (-11)°C. Wartości wyższe odpowiadają zapewne zachmurzeniu całkowitemu, natomiast
niższe przejaśnieniom lub rozpogodzeniom. Wnioski prognostyczne można precyzować, zmieniając
we wtyczce warstwę i element meteorologiczny. W ten sposób można szybko zmieniać typ
wyświetlanych danych. Można wówczas wykorzystać współczynnik zmienności (coefficient of
variation). Pozwala on porównywać zmienność danego elementu meteorologicznego w czasie.
Ryc. 4.1.1. Widok na okno wtyczki Statist
37
4.2. Wyznaczanie obszarów spełniających zadane kryteria
Dysponując prognostycznymi danymi meteorologicznymi zapisanymi w formacie SHP,
możemy sięgnąć do kolejnego narzędzia analitycznego QGIS. Wybór obszarów spełniających
zadane kryteria pełni w meteorologii istotną rolę prognostyczną. Pozwala wyodrębnić tereny
zagrożone wystąpieniem upału, silnego mrozu, zawiei lub zamieci śnieżnych, wichury, burzy i
innych zjawisk mających przeważnie niekorzystny wpływ na działalność i życie człowieka.
Narzędzie Filtra może zatem stanowić dobre uzupełnienie systemu wspierającego podejmowanie
decyzji prognostycznych, czy systemu ostrzegania.
Przykładem działania filtra danych wektorowych jest wybór obszarów z prognozowanym
mrozem poniżej (-15)°C. Do dyspozycji mamy kilka możliwości prezentacji kartograficznej
uzyskanych wyników. Można bowiem wskazać konkretne pola podstawowe, dla których spełniony
jest zadany warunek (ryc. 4.2.1) lub, wykorzystując narzędzie Złącz atrybuty według
lokalizacji, wskazać konkretną jednostkę podziału terytorialnego, na terenie której przewiduje
się wystąpienie temperatury poniżej (-15)°C (ryc. 4.2.2).
Ryc. 4.2.1. Przykład działania filtra danych przestrzennych.
Barwą fioletową oznaczono zasięg obszaru z prognozowaną temperaturą powietrza niższą od (-15)°C
Ryc. 4.2.2. Przykład działania filtra danych przestrzennych oraz funkcji łączenia atrybutów wg położenia.
Efekt wyboru województwa o średniej, prognozowanej temperaturze poniżej (-15)°C
38
Oczywiście, wyniki analizy (stosowania Filtra) można przedstawiać według dowolnej
jednostki przestrzennej, między innymi gminy, powiaty, zlewni itd. Im mniejsza jednostka podziału
terytorialnego, tym precyzyjniejszy wynik. Dobrze ilustruje to powyższy przykład. Rycina 4.2.2 jest
bowiem znacznym uproszczeniem ryciny 4.2.1; pomimo, iż temperatura powietrza o wartości
niższej niż (-15)°C oczekiwana jest także miejscami w województwie pomorskim, kujawskopomorskim i podlaskim, tereny te nie zostały wskazane. Złączenie atrybutów warstwy zawierającej
podział administracyjny oraz wartości prognostyczne temperatury powietrza przeprowadzono w
oparciu o średnią. Oznacza to, iż każdemu województwu przypisano średnią wartość temperatury
powietrza z węzłów (punktów) znajdujących się w jego zasięgu. Oprócz średniej, QGIS umożliwia
wykorzystanie wartości minimalnej, maksymalnej i sumy. Wykorzystanie wartości minimalnej
skutkuje wyborem kolejnych województw (pomorskiego, kujawsko-pomorskiego i podlaskiego).
Wartość maksymalna może być z kolei użyteczna przy wyznaczaniu obszarów zagrożonych upałem
[7].
39
4.3. Interpolacja
Procedura interpolacji w QGIS obsługiwana jest przez dwie wtyczki. Wtyczka
interpolacji jest implementacją domyślną (ryc. 4.3.1.), natomiast Kriging wymaga
dodatkowej instalacji z nieoficjalnego repozytorium wtyczek QGIS (Volkan Kepoglu's Repository).
Ryc. 4.3.1. Widok na okno Wtyczka interpolacji
Interpolacja przestrzenna, w sensie matematycznym, jest swego rodzaju predykcją; oznacza
estymację wartości w danym punkcie w oparciu o przyjęty model zmienności cechy w przestrzeni
(np. geograficznej), zwany krzywą tłumienia; wartość cechy może się zmieniać liniowo, potęgowo,
wykładniczo itd. Zmienność przestrzenna może mieć charakter izotropowy lub anizotropowy, co
determinuje przyjęty model obliczeniowy. Podstawą interpolacji przestrzennej jest autokorelacja
przestrzenna (reguła Toblera), która głosi iż „wszystkie obiekty są ze sobą powiązane, a siła tych
powiązań maleje wraz z odległością” [9].
Wtyczka interpolacji umożliwia estymację wartości badanej cechy (atrybutu) dwoma modelami:
TIN oraz IDW. Model triangulacyjny (TIN) polega na tworzeniu sieci nieregularnych trójkątów o
wierzchołkach w punktach zbioru danych. Stosowany jest na ogół dla zbiorów nieregularnie
rozmieszczonych punktów. Do wyboru jest metoda liniowa zakładająca liniową zmienność wartości
cechy w przestrzeni oraz sześcienna (Cough-Touchera) oparta na wielomianie trzeciego stopnia
zdefiniowanego przez dwanaście parametrów [1]. QGIS umożliwia przy tym zdefiniowanie liczby
kolumn i wierszy, a więc rozdzielczość przestrzenną. Formatem wyjściowym jest GeoTIFF.
Poniżej przedstawiono efekt zastosowania obu wspomnianych algorytmów TIN dla danych
meteorologicznych o regularnym rozkładzie (ryc. 4.3.2. i 4.3.3.).
40
Ryc. 4.3.2. Efekt interpolacji triangulacyjnej metodą liniową z zastosowaniem dyskretnej palety barw.
Na rycinie zaznaczono również przebieg izoterm
Ryc. 4.3.3. Efekt interpolacji triangulacyjnej metodą wielomianu trzeciego stopnia (metoda CoughTouchera) z zastosowaniem dyskretnej palety barw. Na rycinie zaznaczono również przebieg izoterm
Interpolację triangulacyjną wykonano na bazie danych zapisanych w postaci równomiernie
rozmieszczonych poligonów. Efekt zastosowania algorytmu liniowego i sześciennego jest zbliżony
(ryc. 4.3.5.). Widoczna jest niewielka różnica w przebiegu izoterm, która z punktu widzenia
dokładności prognostycznych danych meteorologicznych nie jest obarczona istotnym błędem.
Niewątpliwą cechą negatywną interpolacji triangulacyjnej, szczególnie jej algorytmu liniowego jest
generowanie warstwic oraz izarytm o ostrych kształtach (ryc. 4.3.2.). Niewielkie wygładzenie
modelowanej powierzchni widoczne jest w przypadku zastosowania algorytmu Cougha-Touchera
(ryc. 4.3.3.).
QGIS umożliwia prezentowanie wyników interpolacji w postaci ciągłej lub dyskretnej
palety barw (ryc. 4.3.3. i 4.3.5.). Z punktu widzenia odbiorcy, dyskretna paleta kolorów wydaje się
bardziej przejrzysta.
Ryc. 4.3.4. Efekt interpolacji triangulacyjnej metodą wielomianu trzeciego stopnia z zastosowaniem ciągłej
palety barw. Na rycinie zaznaczono również przebieg izoterm
41
Ryc. 4.3.5. Porównanie przebiegu izoterm wygenerowanych triangulacją liniową i sześcienną.
Widoczna duże podobieństwo przebiegu izarytm
Interpolacja triangulacyjna, w przypadku wykorzystywania danych zapisanych na warstwie
punktowej, generuje błąd estymacji (ryc. 4.3.6.). Polega on ścięciu interpolowanej powierzchni i
pominięciu niektórych punktów, szczególnie tych zlokalizowanych w pobliżu dolnej krawędzi pola
zasięgu warstwy punktowej. Niezależnie od kierunku zastosowań, taki błąd uniemożliwia
wiarygodną interpolację wartości w obrębie całej zadanej powierzchni. Najprawdopodobniej,
algorytm interpolacji TIN posiada błąd.
Ryc. 4.3.6. Efekt interpolacji triangulacyjnej na bazie siatki punktów. U dołu widoczny błąd interpolacji
42
Ryc. 4.3.7. Efekt interpolacji triangulacyjnej na bazie siatki nieregularnie rozmieszczonych punktów.
Powierzchnia interpolacji nie obejmuje terenu całej Polski.
Jeszcze słabszy efekt uzyskujemy dla siatki punktów nieregularnie rozmieszczonych w przestrzeni
geograficznej (ryc. 4.3.7).
Innym algorytmem interpolacyjnym dostępnym we wtyczce Interpolacji jest IDW
(metoda wagowa odwrotnych odległości). Wartość w punkcie interpolacji obliczana jest jako
średnia ważona z punktów otaczających. Współczynnik wagowy jest odwrotnie proporcjonalny do
odległości między punktem interpolacji a każdym spośród punktów otaczających [9]. Na ogół
przyjmuje się współczynnik wagowy równy 2, choć powinien być on dostosowany do charakteru
danych przestrzennych. Innego współczynnika należy używać dla temperatury powietrza, innego
dla opadów atmosferycznych, których zmienność w przestrzeni jest znacznie większa. Dodatkowo,
opady są elementem nieciągłym, szczególnie opady o charakterze przelotnym. Innym czynnikiem
warunkującym wartość wagi jest wzajemna odległość punktów z danymi przestrzennymi.
Ryc. 4.3.8. Efekt interpolacji metodą IDW (współczynnik wagowy = 2)
Ryc. 4.3.9. Efekt interpolacji metodą IDW (współczynnik wagowy = 4)
Stosowanie metody IDW do interpolacji wartości elementów meteorologicznych należy uznać za
ograniczone. Algorytm daje dobre rezultaty w przypadku elementów nieciągłych, m.in. rozkładu
opadów atmosferycznych (ryc. 4.3.10), czy wielkości zachmurzenia, szczególnie dla punktów
rozmieszczonych nierównomiernie. Na ryc. 4.3.10 wskazano również na możliwości narzędzia do
43
ekstrakcji wartości z rastra dla obiektów warstwy wektorowej (Point sampling tool).
Wybrane wartości można wyświetlić w postaci etykiet.
Ryc. 4.3.10. Suma opadów atmosferycznych metodą IDW (współczynnik wagowy 4)
Kriging, w przeciwieństwie do metody TIN oraz IDW, należy do grupy metod
geostatystycznych. Został rozwinięty w połowie XX wieku na potrzeby górnictwa przez Krige’a
[1]. Efekt jego stosowania zbliżony jest do IDW, jednak w odróżnieniu od algorytmu odwrotnych
odległości, mamy w nim do czynienia z obliczaniem nie tylko wartości badanej cechy w punktach
interpolacji, ale również z w punktach o znanej wartości parametru [9]. Zatem, porównanie wartości
zmierzonej i wartości z estymacji pozwala uzyskać informację o dokładności szacowania oraz
wielkości błędu. QGIS generuje bowiem raport graficzny, na który składa się obraz interpolacji
(predykcji, prognozy), błąd standardowy krigingu oraz model semiwariogramu (ryc. 4.3.11).
Ryc. 4.3.11. Raport z krigingu w QGIS
Raport ma kluczowe znaczenie z punktu widzenia uzyskania najlepszego rezultatu estymacji, a
więc najmniejszego błędu przy optymalnym kształcie semiwariogramu [9]. QGIS umożliwia
skorzystanie z kilku rodzajów krigingu (zwykły, prosty, uniwersalny, blokowy). Semiwariogram
można wygenerować automatycznie lub wybrać ręcznie najodpowiedniejszy definiując jego
parametry (nugget, range, sill). Rezultat zapisywany jest w postaci pliku z rozszerzeniem GeoTIFF
(ryc. 4.3.12).
44
Ryc. 4.3.12. Efekt interpolacji metodą krigingu zwykłego z zaznaczonym przebiegiem izoterm.
Przykład rastra wysokiej jakości
Niezależnie od zastosowanego algorytmu interpolacyjnego, QGIS umożliwia generowanie
izarytm na bazie rastra. Służy do tego wtyczka Generuj warstwice. Pozwala ona definiować
cięcie izarytmiczne oraz nazwę interpolowanej cechy, która powinna być zgodna z nazwą
odpowiedniej kolumny w tabeli atrybutów.
W przypadku danych meteorologicznych, interpolacja bywa obarczona znacznym błędem.
Nie wynika on jednak z zastosowanego algorytmu, lecz z uwarunkowań środowiska
geograficznego. Rozkład punktów z wartościami elementów meteorologicznych nie obejmuje
często obszarów górskich. Względnie wiarygodniejszy rezultat osiągamy w strefie brzegowej mórz
i oceanów. Problem dotyczy szczególnie elementów meteorologicznych pozostających w ścisłym
związku choćby z ukształtowaniem terenu.
45
4.4. RasterCalc narzędziem algebry map
Dysponując warstwami rastrowymi, czy to w formacie GRIB czy też uzyskanymi na drodze
interpolacji, możemy skorzystać z możliwości wtyczki RasterCalc służącej do algebry mapowej,
a więc do operacji matematycznych na warstwach rastrowych (m.in. dodawanie, odejmowanie,
mnożenie i in.) [9]. Najprostszym przykładem zastosowania wtyczki jest obliczenie średniej
wartości temperatury dobowej czy maksymalnego opadu w zadanym czasie. Oprócz operacji
algebraicznych, dostępne są podstawowe funkcje trygonometryczne, które można zastosować do
obliczania wartości prędkości i kierunku wiatru według zależności podanych w rozdziale trzecim.
RasterCalc pracuje również z rastrami wielokanałowymi. Umożliwia wykonywanie dostępnych
działań matematycznych między kanałami, np. dodawanie kanałów z danymi o wielkości
zachmurzenia piętra niskiego i średniego.
4.4.1. Okno wtyczki RasterCalc
Wtyczka wykazuje dużą funkcjonalność, szczególnie w zakresie przetwarzania danych
meteorologicznych. Z uwagi na dostępność podstawowych działań matematycznych czy
trygonometrycznych znacznie szybciej można uzyskać żądany rezultat na drodze analizy rastrowej
aniżeli wektorowej, a pozyskanie danych dla konkretnych punktów przeprowadza się wówczas
narzędziem Point sampling tool, o którym wspomniano wcześniej.
Ryc. 4.4.2. Przykład analizy fazowości opadów metodą wg (albo metodą, albo wg) zależności temperatury
powietrza na wysokości 2 m n.p.t. (kolor czerwony) i średniej temperatury powietrza w warstwie między
poziomami 1000 i 850 hPa (kolor niebieski). Typy opadów oznaczono barwami: deszcz – zielony, deszcz ze
śniegiem – jasnoniebieski, śnieg – niebieski.
46
Przykładem zastosowania kalkulatora rastrowego jest analiza fazowości opadów. W
literaturze meteorologicznej podaje się kilka metod prognozowania zmian fazowych opadów
atmosferycznych, między innymi zależność temperatury powietrza na wysokości 2 m n.p.t. oraz
średniej temperatury warstwy 850 – 1000 hPa, czy związek temperatury na wysokości 2 m n.p.t. i
wysokości izotermy 0°C [6].
Pierwszą z nich zaimplementowano w QGIS. Przykładem prognozy jest rycina 4.4.. Na
mapie z naniesionymi wartościami temperatury powietrza na wysokości 2 m n.p.t. i średniej
temperatury warstwy między poziomami 850 i 1000 hPa przedstawiono oczekiwany stan fazowy
(postać) opadu; barwą niebieską wskazano obszary predysponowane do wystąpienia opadu śniegu,
jasnoniebieskim – deszczu ze śniegiem, a zielonym – deszczu.
Ryc. 4.4.3. Prędkość wiatru o wartości progowej powyżej 10 i 15 m/s
Innym przykładem może być wyznaczenie obszarów o określonej, wartości progowej
prędkości wiatru na wysokości 200 metrów. Tego rodzaju analiza ma znaczenie z punktu widzenia
prac wysokościowych, szczególnie na kominach przemysłowych, ale może być użyteczna z punktu
widzenia konserwacji lub napraw prowadzonych na słupach sieci elektroenergetycznej wysokiego
napięcia. Na rycinie 4.4.3. wskazano obszary o prędkości powyżej 10 i 15 m/s, które zdecydowanie
utrudniają lub wręcz uniemożliwiają podjęcie jakichkolwiek prac na wysokości.
4.5. Podsumowanie
Przegląd wybranych, najważniejszych z punktu widzenia analiz meteorologicznych,
wtyczek i możliwości Quantum GIS wskazuje na dużą użyteczność oprogramowania w tej właśnie
dziedzinie wiedzy. Niemnie nadal istnieje potrzeba rozwijania aplikacji poprzez tworzenie
kolejnych wtyczek, tym razem do przetwarzania danych meteorologicznych, które z racji specyfiki
zapisu i struktury wymagają nieco odmiennego podejścia. Ponadto widać wyraźnie przewagę
narzędzi do przetwarzania wektorowego nad narzędziami do analiz rastrowych. Z punktu widzenia
potrzeb meteorologii synoptycznej, zdecydowanie ważniejsze są analizy wektorowe; dotyczy to
szczególnie danych obserwacyjnych naziemnych.
47
5. Przykłady analiz i kartograficznych produktów meteorologicznych
5.1. Mapa rozkładu temperatury powietrza dla obszaru górskiego na przykładzie
Sudetów
Model globalny GFS oblicza wartości prognostyczne elementów meteorologicznych dla
węzłów siatki geograficznej o rozdzielczości maksymalnej 0,5°×0,5°. Zatem, pokrycie obszaru
punktami prognozy jest daleko niewystarczające do uzyskania wiarygodnych wyników dla terenów
o zróżnicowanej rzeźbie. W związku z tym zachodzi konieczność uszczegóławiania modelowanej
powierzchni.
Wartości prognostyczne elementów meteorologicznych dla wybranych poziomów
barycznych mogą się stać bardzo użyteczne. GFS oblicza je dla poziomów co 25 hPa co w
przypadku warstwy do wysokości około 1500 m n.p.m. odpowiada w przybliżeniu około 200
metrom [18]. Dysponując zatem gęstą siatką punktów z przypisanym atrybutem wartości wysokości
bezwzględnej, możemy, na określonym poziomie przybliżenia, oszacować wartość temperatury
powietrza dla tych punktów, pozyskując ją z poszczególnych poziomów barycznych. Interpolacja
metodą krigingu zwykłego oraz dodanie kilku warstw wektorowych dla zwiększenia czytelności,
dają w efekcie obraz jak na rys. 5.1.1.
Ryc. 5.1.1. Przykład prognozy temperatury powietrza dla wybranego obszaru Sudetów.
Krzyże oznaczają węzły siatki geograficznej (rozdzielczość 0,05°×0,05°).
Linie koloru białego – granice administracyjne Polski i Czech.
Z uwagi na niewielkie rozmiary badanego obszaru, a więc z powodu małej liczby (kilku)
węzłów wyjściowych siatki prognostycznej, uzyskany obraz przestrzennego rozkładu temperatur
powietrza różni się nieznacznie od numerycznego modelu rzeźby terenu. Różnice wartości między
węzłami siatki geograficznej dla modelu GFS (0,5°×0,5°) są przeważnie nieznaczne. Ponadto nie
uwzględnia się choćby ekspozycji stoku, kierunku adwekcji masy powietrza (efekt fenowy, efekt
seeder-feeder) [8]. Niemniej uzyskane przybliżenie, z punktu widzenia większość odbiorców
prognozy pogody, w większości sytuacji synoptycznych wydaje się wystarczające.
Dokładność rozkładu zależy od zagęszczenia punktów prognozy. Przykład z ryc. 5.1.1
odnosi się do rozdzielczości 0,05°×0,05°. Zatem, zagęszczając siatkę punktów uzyskujemy
teoretycznie dokładniejszy rozkład elementu meteorologicznego. Należy jednak pamiętać, aby
rozdzielczość siatki wektorowej nie okazała się wyższa od rozdzielczości rastra numerycznego
48
modelu wysokości (DEM), z którego pobieramy dane o rzędnej dla naszych punktów. Poza tym
dokładność wyniku ogranicza liczba poziomów barycznych, dla których GFS oblicza wartości
temperatury powietrza. Skoro bowiem rozdzielczość pionowa danych wynosi około 200 metrów,
niezależnie od liczby punktów, należy je pogrupować w przedziałach o szerokości 200 metrów z
wartością środkową przedziału odpowiadającą wartości wysokości danego poziomu barycznego.
Zatem, na przykład punkty o wysokościach z przedziału 900-1100 m n.p.m. mogą się
charakteryzować jednakową wartością temperatury powietrza.
Modelowanie przestrzennego rozkładu temperatury powietrza w obszarze górskim powinno
uwzględniać rzeczywiste, a nie teoretyczne wartości wysokości bezwzględnej poszczególnych
poziomów barycznych. Zmieniają się one bowiem zależnie od sytuacji meteorologicznej; zależą od
od termiki napływającej masy powietrza, układu barycznego i jego formy [18].
49
5.2. Analiza przestrzennej zmienności wskaźnika burzowego Whaitinge’a
Jedną z możliwości oceny prawdopodobieństwa wystąpienia burzy jest wskaźnik
Whaitinge’a (K-index). Jest to miara oparta na gradiencie termicznym między poziomami
geopotencjalnymi 850 hPa i 500 hPa oraz wilgotności bezwzględnej porcji powietrza na poziomie
700 hPa (tzw. depresja temperatury punktu rosy) [24].
Ryc. 5.2.1. Zmienność przestrzenna wskaźnika Whaitinge’a oznaczona metodą izarytmiczną ze wskazaniem
województw o średniej wartości wskaźnika powyżej 20 (kolor jasnożółty) i powyżej 25 (kolor żółty)
Przykładem prostej analizy wskaźnika burzowego jest wizualizacja jego przestrzennego
zróżnicowania ze wskazaniem jednostek administracyjnych o najwyższej średniej wartości
wskaźnika. Taka reprezentacja niesie odbiorcy prognozy pogody informację o względnym
prawdopodobieństwie wystąpienia burzy i o jej sile. Istnieje możliwość uzyskiwania wartości
średnich, minimalnych, maksymalnych oraz sum dla poszczególnych jednostek przestrzennych (w
typ przypadku dla województw). Służy temu łączenie atrybutów (wartości wskaźnika burzowego)
warstwy punktowej lub poligonalnej przez lokalizację (położenie w obrębie określonego
województwa). Wyodrębnienie jednostek przestrzennych spełniających założone kryterium można
przeprowadzić korzystając z filtra danych wektorowych (ryc. 5.2.1).
Ryc. 5.2.2. Wizualizacja rastrowa wskaźnika burzowego z wektorowym podziałem administracyjnym w tle
50
Zmienność przestrzenną wskaźnika burzowego można również przedstawić w postaci
rastrowej. Służy temu wtyczka Interpolacji lub Krigingu (interpolacja geostatystyczna).
Biorąc pod uwagę rozkład przestrzenny danych wejściowych (siatka regularnie rozmieszczonych
punktów), wiarygodniejszy efekt daje kriging (ryc. 5.2.2). Oczywiście, obraz wskaźnika powinien
być opatrzony stosowną legendą, czy to w formie graficznej, czy tekstowej (komentarz). Wartości
najwyższe z ryc. 5.2.1 i 5.2.2 zostały wykorzystane wyłącznie do wizualizacji. Rozpatrując je z
punktu widzenia możliwości wystąpienia burzy należy powiedzieć, że są one nieco zbyt niskie.
Istotne prawdopodobieństwo występuje przy wartościach około 30 i wyższych. W załączonych
przykładach można mówić jedynie o możliwości pojawienia się przelotnego opadu deszczu,
względnie słabych, pojedynczych wyładowań atmosferycznych.
Powyżej zaprezentowano statyczne przykłady analizy wskaźnika burzowego. Statyczność
dotyczy oceny możliwości wystąpienia burzy w krótkim przedziale czasu (3 godziny). Tymczasem
łączenie prognostycznych danych meteorologicznych w postaci wektorowej w grupy 12- lub 24godzinne i wskazanie wartości maksymalnych w wybranych przedziałach czasu pozwala
sformułować wniosek o możliwości wystąpienia burzy w ciągu dnia, nocy lub w ciągu doby. Czas
analizy możemy dowolnie wydłużać oceniając, na przykład, prawdopodobieństwo zaistnienia
zjawiska w danym tygodniu, co może się okazać cenne w przypadku niektórych typów prac
prowadzonych na otwartej przestrzeni.
51
5.3. Analiza frontów atmosferycznych
Analiza frontów atmosferycznych sprowadza się przede wszystkim do ustalenia ich
położenia na podstawie przestrzennego rozkładu ciśnienia atmosferycznego, jego tendencji,
kierunku i prędkości wiatru, zachmurzenia i temperatury powietrza. Automatyczne wyznaczanie
lokalizacji frontów jest bardzo skomplikowane, nie zawsze możliwe. Niemniej analizę frontów
atmosferycznych można przeprowadzić ręcznie. Taką możliwość daje QGIS.
W pierwszej kolejności należy zdefiniować cechy graficzne linii oznaczającej poszczególne
typy frontów. W opracowaniu skupiono się na trzech zasadniczych: ciepłym, chłodnym i
zokludowanym. Aplikacja pozwala na tworzenie własnych symboli, nie tylko w formacie
wektorowym (SVG), ale również rastrowym. Jakkolwiek dla frontu ciepłego i chłodnego, które w
swej budowie graficznej posiadają jeden rodzaj znacznika (półkole barwy czerwonej lub trójkąt
barwy niebieskiej), przygotowanie symbolu jest proste, tak w przypadku frontu okluzji pojawiają
się problemy. Dotyczą one wyświetlania przygotowanego symbolu składającego się zarówno z
półkoli jak i z trójkątów. Jeden ze znaczników, w sytuacji krętej linii frontu, nie naśladuje
poprawnie jej przebiegu. Oznacza to, iż znacznik pozostaje w?separacji w stosunku do przebiegu
linii frontowej. Rozwiązaniem problemu okazało się zastosowanie jednego znacznika posiadającego
cechy frontu ciepłego i chłodnego; można go utworzyć w postaci rysunku SVG lub korzystając z
czcionek (GSI Weather, ESRI Weather Symbols, Mapinfo Weather Symbols). Czcionki są bowiem
jedną z trzech możliwości przygotowywania wymaganych symboli.
Ryc. 5.3.1. Przykład mapy ciśnienia atmosferycznego i zachmurzenia nad Europą
z zaznaczonymi liniami frontowymi
Rycina 5.3.1. ilustruje efekt analizy frontów atmosferycznych nad Europejskim Obszarem
Synoptycznym. Każdy typ frontu (ciepły, chłodny i okluzji) zapisano w niezależnych warstwach
wektorowych. Ponadto stworzoną warstwę tekstową dla zaznaczenia centrów układów niskiego i
wysokiego ciśnienia.
Do uzyskania obrazu (ryc. 5.3.1) wystarczy rastrowa warstwa zachmurzenia oraz ciśnienia
atmosferycznego. Na podstawie tej drugiej można wygenerować izobary (wtyczka Generuj
warstwice) o określonym cięciu (np. 5 hPa). Dla poprawy orientacji na mapie istnieje możliwość
przygotowania wektorowej siatki geograficznej wraz z opisem południków i równoleżników.
52
5.4. Kartograficzna prognoza warunków pogody dla Polski
Graficzna prognoza warunków pogody spełnia istotną rolę informacyjną. W takiej postaci
dociera bowiem do większości odbiorców indywidualnych. Quantum GIS, dzięki czytaniu i
przetwarzaniu prognostycznych danych meteorologicznych, oferuje rozmaite możliwości
przygotowywania graficznych, a właściwie kartograficznych prognoz pogody.
Prognostyczne dane meteorologiczne mogą być wyświetlane w różnej postaci (tekst, symbol
SVG, ikona meteorologiczna). Z punktu widzenia większość odbiorców, najbardziej zrozumiała
wydaje się ikona meteorologiczna, choć nie w pełni przekazuje ona informacje prognostyczne.
Wykonanie ikony w formacie SVG, w aplikacji do grafiki wektorowej (Ikscape, Adobe Illustrator,
CorelDRAW i inne) umożliwia jej dalsze wykorzystywanie w QGIS jako elementu składowego
graficznej legendy, na przykład dla zobrazowania zachmurzenia (ryc. 5.4.1). Ikony mogą być
przyporządkowane konkretnym miejscowościom lub regionom; wówczas należy obliczyć (na
przykład) średnią wielkość zachmurzenia dla danej jednostki przestrzennej (region, województwo,
powiat itd.), a wynik przedstawić w postaci ikony zgodnie z przyjętą legendą.
Ryc. 5.4.1. Przykład mapy prognostycznej dla Polski na dzień
Oprócz wielkości zachmurzenia można dodać informacje o prognozowanej wartości
temperatury powietrza (minimalnej, maksymalnej), zjawisku (deszcz, śnieg, opad marznący) czy w
końcu o wietrze i ciśnieniu atmosferycznym.
Kartograficzną prognozę warunków można przygotowywać na dowolny obszar i czas, w
tym na dzień i noc. Przykładem prognozy na noc jest rycina 5.4.2. Dla zachowania odmienności
graficznej prognozy na dzień i noc, zmieniono skalę barw numerycznego modelu terenu oraz,
oczywiście, ikonografię – księżyc z gwiazdami zastąpił słońce. Zmieniono również barwę bufora
(tła tekstu; bufor jest tu mylący) temperatury powietrza z czerwonej na niebieską.
53
Ryc. 5.4.2. Prognoza pogoda dla Polski na noc
Wizualizacja wielkości zachmurzenia przy pomocy ikon (ryc. 5.4.2) jest o tyle mniej
kłopotliwa od zjawisk atmosferycznych, że odniesiona jest do określonego momentu czasowego
(konkretna godzina). Tymczasem wystąpienie i intensywność zjawisk modelowana jest dla okresów
kilkugodzinnych (3, 6 itd.). Stąd przy dynamicznie zmieniających się warunkach pogody może się
na przykład okazać, że pomimo małego zachmurzenia, ikona wskazuje na możliwość wystąpienia
przelotnego deszczu. Rozwiązaniem problemu jest jednak przygotowywanie map warunków
pogody dla przyjętych przedziałów czasu, np. godzina 9 – 12, popołudnie itd. Takie podejście
wymaga co prawda uśrednienia wielkości zachmurzenia dla założonego interwału czasowego,
jednak QGIS pozwala to uczynić na poziomie tabeli atrybutów lub za pomocą wtyczki
RasterCalc.
Poza ikonami meteorologicznymi, w QGIS można stosować symbole synoptyczne zgodne z
kluczem meteorologicznym. Przykładem takiej reprezentacji jest mapa na rysunku 5.4.3. Tego
rodzaju mapy przygotowywane są niemal wyłącznie w oparciu o dane obserwacyjne z naziemnych
stacji meteorologicznych. Dane obserwacyjne podlegają odpowiedniemu szyfrowaniu (klucz
SYNOP FM-12) i wymianie międzynarodowej. Zdekodowanie depeszy SYNOP pozwala na
wizualizację informacji meteorologicznej w postaci przyjętego systemu znaków. Nie dysponując
programem szyfrującym/deszyfrującym, możemy przygotować prosty algorytm w arkuszu
kalkulacyjnym dzieląc pobrane depesze w kolumny odpowiadające poszczególnym grupom
informacji (temperatura powietrza, punkt rosy, ciśnienie itd.). Uzyskane na tej drodze,
uporządkowane dane można zapisać w postaci pliku CSV i pobrać go z poziomu QGIS
wyświetlając żądane dane z wykorzystaniem przyjętego systemu znaków, albo napisać
odpowiednią wtyczkę.
54
Ryc. 5.4.3. Przykład prognostycznej mapy synoptycznej dla Polski
Zdecydowanie rzadziej przygotowuje się podobne mapy bazując na danych
prognostycznych. W odróżnieniu od danych obserwacyjnych, w przypadku prognozy numerycznej
jest to zdecydowanie łatwiejsze; dane są już bowiem odpowiednio pogrupowane. W przykładzie na
rysunku 5.4.3. pomięto specyficzny zapis ciśnienia atmosferycznego, w przypadku którego wartości
powyżej 1000 hPa zapisuje się z pominięciem pierwszych dwóch cyfr (10), lecz z uwzględnieniem
wartości dziesiętnych, a wartości niższe z pominięciem pierwszej cyfry (9). Niemniej, specyficzna
forma zapisu może być uwzględniona zależnie od potrzeb.
Na mapach synoptycznych z danymi obserwacyjnymi notuje się tzw. zjawisko bieżące, a
więc hydrometeor widziany na stacji synoptycznej lub w polu widzenia w momencie obserwacji. W
przypadku mapy prognostycznej można przyjąć, że miejsce to zajmie zjawisko prognozowane w
ciągu najbliższych kilku godzin (3, 6, 12, 24), zależnie od kroku czasowego danego modelu
numerycznego. W miejscu zjawiska ubiegłego (minionego) można zatem zapisać informację o
zjawisku spodziewanym w poprzednim okresie prognozy, np. mapa na godzinę 12 UTC
przedstawia prognozę zjawiska na okres od 12 do 15 UTC, natomiast jako zjawisko ubiegłe podaje
rodzaj hydrometeoru oczekiwanego w okresie od 9 do 12 UTC.
Zachmurzenie, w odróżnieniu od zjawisk atmosferycznych, modelowane jest na konkretny
moment czasowy, nie zaś na przedział czasu. W związku z tym mapa prognostyczna na godzinę 12
uwzględnia zachmurzenie na ten właśnie moment czasowy. W sytuacji braku hydrometeorów,
wielkość zachmurzenia można podać w miejscu zjawiska ubiegłego.
Wizualizacja prognostycznych danych meteorologicznych daje dobre rezultaty graficzne.
Przygotowanie wzorca, zwłaszcza stylów wizualizacji poszczególnych elementów
meteorologicznych, ułatwia generowanie kolejnych map, które w zestawieniu z mapami danych
obserwacyjnych za odpowiedni okres pozwalają na analizę trafności prognozy. W efekcie można
wypracować prawidłowości działania modelu numerycznego w interesujących nas, szczególnie
trudnych w prognozowaniu, warunkach pogody.
55
Ryc. 5.4.4. Przykład prognostycznej mapy warunków pogody dla Polski
wzbogaconej elementami analizy frontów atmosferycznych
Oprócz klasycznej mapy synoptycznej, QGIS pozwala przygotować analizę wybranych
elementów meteorologicznych z zastosowaniem rozmaitych sposobów wizualizacji. Na rycinie
5.4.4 wskazano na różnorodność kartograficznych metod prezentacji treści meteorologicznej; na
podkładzie wektorowej mapy podziału terytorialnego Polski, za pomocą metody izarytm, zasięgów,
sygnatur przedstawiono pole baryczne, temperaturę powietrza na wysokości 2 metrów n.p.t. oraz
rozkład zachmurzenia, opadów atmosferycznych. Tak przygotowana mapa stała się podstawą analiz
frontowej – wyznaczenia przebiegu ciepłego frontu atmosferycznego.
56
5.5. Produktu meteorologicznej osłony zimowego utrzymania dróg (zud)
Jako przykład bardziej rozbudowanych analiz, można podać produkty przygotowane z
myślą o meteorologicznej osłonie zimowego utrzymania dróg. Precyzyjna i wnikliwa prognoza
pogody stanowi nieocenioną pomoc dla zarządców dróg. Pozwala bowiem racjonalizować wydatki,
użytkowanie sprzętu i zarządzanie zasobami ludzkimi.
Opady marznące powodujące gołoledź są jednym z największych utrudnień drogowych.
Oznaczają bowiem wytężoną pracę służb drogowych oraz konieczność zachowania szczególnej
ostrożności przez kierujących pojazdami oraz pieszych. Poza tym wpływają niekorzystnie także na
ruch kolejowy, powodując oblodzenie trakcji, czy w lotniczym. Przygotowana analiza (ryc. 5.5.1)
stanowi przykład kombinowanej metody prognozowania opadów marznących. Barwą żółtą
zaznaczono obszary, które wg prognozy numerycznej mogą być objęte wspomnianym zjawiskiem,
natomiast symbolicznie wskazano tereny o wysokim prawdopodobieństwie wystąpienia opadu
marznącego uzyskane metodą tradycyjną. Przyjęto bowiem, iż największe ryzyko gołoledzi wystąpi
przy ujemnej temperaturze powietrza na wysokości 2 m n.p.t., dodatniej temperaturze warstwy
między poziomami 1000 a 850 hPa, a więc w sytuacji inwersyjnej. Z uwagi na fakt, iż analizę
przygotowano dla stycznia, nie uwzględniono temperatury gruntu, jako że jest ona, bez wyjątku,
ujemna. Intensywność opadu marznącego zróżnicowano na podstawie prognozowanej sumy
opadów atmosferycznych. Dodatkowo wskazano tereny objęte opadem śniegu i deszczu.
Analiza pokazuje wyraźnie, że wybór obszarów zagrożonych gołoledzią, wykonany metodą
tradycyjną, znajduje zdecydowane potwierdzenie w prognozie numerycznej, co uwiarygodnia
przygotowane opracowanie. Symbole opadów przygotowano w aplikacji CorelDRAW i zapisano w
postaci pliku SVG. Jako podkład wykorzystano mapę wektorową Polski i Europy poziomu
pierwszego (VMAP LEVEL 1).
Ryc. 5.5.1. Przykład prognostycznej mapy rodzaju opadów atmosferycznych
wykonanej metodą numeryczno-tradycyjną
Istotną, z punktu widzenia zimowego utrzymania dróg, informacją jest przewidywana suma
opadów śniegu, jako że zdecydowanie utrudnia on poruszanie się po jezdniach i chodnikach. Na
rycinie 5.5.2 przedstawiono przykład mapy przestrzennego rozkładu 12-godzinnej sumy opadów
śniegu w Polsce. Taka wiedza pozwala na efektywniejsze zarządzanie ludźmi oraz taborem do
oczyszczania dróg. Mapę wykonano wykorzystując wtyczkę RasterCalc oraz 4 pliki GRIB z
57
danymi o 3-godzinnej sumie opadów atmosferycznych (parametr APCP) oraz z danymi odnośnie
prognozowanych miejsc wystąpienia opadów śniegu (parametr CSNOW). Mnożenie wartości
parametrów APCP i CSNOW dla odpowiednich przedziałów czasu oraz sumowanie uzyskanych
iloczynów pozwoliło na wygenerowanie mapy (ryc. 5.5.2). W podkładzie zastosowano mapę
podziału administracyjnego Polski na poziomie powiatów [4].
Ryc. 5.5.2. Przykład prognostycznej mapy sumy opadów atmosferycznych
Z kolei ryc. 5.5.3. prezentuje tą samą treść, lecz w innym ujęciu terytorialnym; wartości
sumy opadów śniegu, po klasyfikacji, przypisano bowiem poszczególnym powiatom. W tym
przypadku skorzystano z danych w formacie wektorowym, a nie rastrowym. Podejście z ryciny
5.5.3 wydaje się praktyczniejsze z punktu widzenia służb zimowego utrzymania dróg, szczególnie
na szczeblu wojewódzkim i powiatowym.
Ryc. 5.5.3. Przykład prognostycznej mapy sumy opadów śniegu wg powiatów
58
Ryc. 5.5.4. Przykład prognostycznej mapy wystąpienia zawiei śnieżnych dla prędkości wiatru
powyżej 10 m/s i 12-godzinnej sumy opadów śniegu powyżej 10 cm
Z zawiejami śnieżnymi mamy do czynienia podczas opadów śniegu i dość silnego czy
silnego wiatru. Zjawisko powoduje tworzenie zasp śnieżnych, szczególnie na drogach
zorientowanych prostopadle do kierunku wiatru. Nawiewanie śniegu zachodzi również w okresach
między opadami śniegu (zamiecie śnieżne). Rycina 5.5.4 przedstawia jedną z wielu możliwości
wizualizacji prognozy miejsc wystąpienia zawiei śnieżnych. W podkładzie ponownie zastosowano
mapę administracyjną Polski na poziomie powiatów [4]. Symbol zawiei przygotowano łącząc
symbol zamieci śnieżnej i opadu śniegu z klucza SYNOP-FM12.
5.6. Podsumowanie
Analiza odgrywa w meteorologii kluczowe znaczenie. Jej wiarygodność decyduje bowiem o
trafności przewidywań rozwoju sytuacji synoptycznej, a więc o bezpieczeństwie wykonywania
rozmaitych zadań. Ma także znaczenie z punktu widzenia możliwości realizacji wielu codziennych
prac. Quantum GIS w wersji 1.5.0 posiada szereg wtyczek zapewniających wnikliwe analizowanie
dostarczonych danych prognostycznych, zarówno wektorowych, jak i rastrowych.
Analizowanie jest procedurą skomplikowaną i często czasochłonną. W związku z tym
wymaga co najmniej częściowej, o ile nie pełnej automatyzacji poprzez zastosowanie skryptów i
tworzenie kolejnych wtyczek, szczególnie branżowych (meteorologicznych).
Niewątpliwie kolejne wersje aplikacji QGIS zapewnią większe możliwości analityczne w
zakresie ogólnym. Sprawne przygotowywanie prognoz warunków pogody odpowiadających
rosnącym wymaganiom klienta wymaga jednak prac nad swoistym personalizowaniem zakresu
działania Quantum GIS.
59
6. Możliwości publikacji wyników analiz
Zapis efektów pracy w postaci map oraz możliwość ich publikacji w postaci
rozpoznawalnych formatów wymiany danych, zwłaszcza zgodnych z wymaganiami klienta jest
istotą korzystania z dowolnej aplikacji, w tym z Quantum GIS. Kompatybilność, interoperacyjność
stanowią zatem nadrzędne uzasadnienie wdrożenia takiego systemu do operacyjnej służby
meteorologicznej.
QGIS zapewnia kilka ważnych możliwości utrwalenia wyników pracy w postaci obrazu;
wymienić należy zapis w postaci:
11. projektu,
12. obrazu,
13. pliku wektorowego,
14. pliku html,
15. pliku mapowego (mapfile),
16. wydruku.
Oczywiście, wspomniane opcje nie wyczerpują palety możliwości, tym bardziej że, jak już
wielokrotnie nadmieniano, aplikacja QGIS ma charakter rozwojowy, a również i użytkownik może
implementować wtyczki definiujące inne alternatywy.
6.1. Zapis w postaci projektu
Projekt QGIS jest pierwszą możliwością zapisu efektów pracy jaką proponuje aplikacja.
Opcja ta ma wymiar systemowy, co należy interpretować jako zdolność programu do utrwalania
wszystkich wczytanych w danym momencie warstw informacyjnych. Niemniej takie rozwiązanie
może się okazać kłopotliwe z punktu widzenia odbiorcy przygotowywanych danych, analiz, map,
ponieważ wymaga posiadanie Quantum GIS, najlepiej w tej samej wersji. Nie zawsze bowiem
próba wczytania projektu wykonanego w starszej wersji kończyła się pełnym sukcesem. O
ewentualnych problemach program informował wcześniej stosowanym komunikatem (ryc. 6.1.1).
Ryc. 6.1.1. Komunikat o możliwej niekompatybilności danych
60
Prócz możliwej niekompatybilności danych, QGIS informował o utracie ścieżki do
niektórych warstw, pomimo iż nie zmieniono ich lokalizacji w przestrzeni dysku (ryc. 6.1.2). Te i
podobne błędy zostaną jednak, za pewne, usunięte.
Ryc. 6.1.2. Komunikat o możliwej niekompatybilności danych
6.2. Obraz
Poza projektem, Quantum GIS umożliwia zapis danych w postaci obrazu (ryc. 6.2.1). Do
dyspozycji użytkownika pozostaje 10 różnych formatów wymiany danych rastrowych, w tym PNG,
TIFF, BMP, JPEG. Rozdzielczość uzyskiwanych obrazów wynosi około 1000 × 566 pikseli.
Ryc. 6.2.1. Widok okna zapisu danych w postaci obrazu
Obraz jest bardzo interoperacyjny; wymaga bowiem instalacji najprostszej przeglądarki graficznej,
choćby zaimplementowanej domyślnie w systemie operacyjnym. W odróżnieniu od projektu, obraz
przedstawia wyłącznie warstwy widoczne w oknie aplikacji QGIS.
6.3. KML jako przykład formatu wektorowego
Ciekawą i użyteczną możliwością zapisu przygotowanych map jest format KML (ang.
Keyhole Markup Language). Pliki tego typu obsługuje między innymi znana i dynamicznie
rozwijająca się aplikacja Google Earth. Quantum GIS pozwala na zapis danej warstwy wektorowej
do pliku KML i jego użytkowanie w Google Earth, zarówno z poziomu komputera, jak i telefonu
komórkowego. Mamy zatem dostęp do danych niemal z każdego miejsca na Ziemi.
Rozwiązanie to nie jest jednak pozbawione wad. Zasadnicza polega na tym, że jakkolwiek
obraz pozwala na zapis wszystkich widocznych w oknie QGIS warstw, tak KML umożliwia zapis
wyłącznie jednej warstwy wektorowej. Dodatkowo, aplikacja Google Earth potrafi ją odczytać bez
zachowania pierwotnej symbolizacji. Niemniej wartości elementów meteorologicznych, czy dane w
61
formie tekstowej mogą być zapisywane w postaci omawianego formatu wymiany danych
wektorowych.
6.4. HTML i Mapfile
Pliki typu HTML jest kolejną alternatywą QGIS w zakresie wyświetlania wyników pracy w
postaci mapy. Uzyskujemy go dzięki wtyczce Html Image Map Plugin przygotowanej przez
Richarda Duivenvoorde'a. Wtyczka dostępna jest z poziomu menedżera wtyczek w ramach Jego
nieoficjalnego repozytorium QGIS.
Wtyczka umożliwia przygotowanie mapy w postaci pliku rastrowego oraz pliku html
obsługiwanego przez przeglądarkę internetową. Użytkownik wybiera przede wszystkim sposób
wyświetlania danych zapisanych na interesujących go warstwach wektorowych (poligonowych lub
punktowych w formacie SHP lub PostGIS). Dane w pliku HTML mogą być wyświetlone po
ustawieniu wskaźnika na ekranie w danym miejscu mapy, czy po kliknięciu interesującej nas
lokalizacji (ryc. 6.4.1).
Ryc. 6.4.1. Okno wtyczki Html Image Map Plugin
Informacje o atrybucie wyświetlane są odpowiednio w lewym górnym narożniku ekranu (mapy)
albo w oknie dialogowym Java Skript (ryc. 6.4.2). Istnieje również możliwość zdefiniowania
rozmiaru mapy.
62
Ryc. 6.4.2. Przykład mapy wygenerowanej wtyczką Html Image Map Plugin
Ciekawym rozwiązaniem w zakresie zapisu i publikacji map w QGIS jest wtyczka
MapServer Export. MapServer jest otwartym środowiskiem programistycznym, którego
zadaniem jest przygotowywanie i wizualizacja informacji geograficznej w Internecie. QGIS
pozwala tworzyć plik tekstowy MAP. Do wyświetlenia mapy niezbędne są: strona html, serwer http
i skrypt Mapserver CGI [11]. Wszelkich dalszych informacji technicznych należy poszukiwać pod
adresem http://quantum-gis.pl/_media/czytelnia/wprowadzenie_do_quantum_gis.pdf na stronach
50-51.
6.5. Wydruki
Funkcja wydruku jest bodaj najbardziej funkcjonalnym rozwiązaniem QGIS w zakresie
utrwalania wyników pracy (projektu). Ma bowiem bardzo rozbudowany interfejs i szereg
użytecznych możliwości (ryc. 6.5.1).
Ryc. 6.5.1. Widok na okno Wydruku w programie Quantum GIS 1.5.0
63
Wydruk jest kompozycją mapową składającą się z aktywnych warstw wektorowych i
rastrowych widocznych w oknie programu QGIS. Istnieje ponadto możliwość dodawania innych
elementów: legendy, kierunku północy, nowej etykiety, obrazu, skali (podziałki) czy tabeli
atrybutów. Podobnie jak w przypadku typowego wydruku, definiuje się jego rozmiar we
wskazanych jednostkach, orientację i rozdzielczość. Poza tym określamy rozmiar mapy lub jej skalę
w jednostkach mapy, zakres (wartości współrzędnych), obrót mapy (kąt), wyświetlanie siatki
kartograficznej oraz ramkę (barwę, tło i przezroczystość). Oddzielnie możemy zdefiniować
właściwości legendy, między innymi wyświetlanie jej poszczególnych elementów. Niestety, nie ma
możliwości wyświetlania opisanej, rozbudowanej legendy warstw rastrowych. Niemniej
przygotowana kompozycja może być zapisana jako obraz, plik PDF lub SVG lub po prostu
wydrukowana.
Niewielkim mankamentem widoku wydruku jest nie zachowywanie proporcji podczas
wyświetlania etykiet na mapie; sprawiają one wrażenie zbyt dużych, kolidujących ze sobą
elementów (ryc. 6.5.1). Na szczęście zapis w postaci obrazu, PDF-u czy SVG utwierdza w
przekonaniu o właściwych proporcjach elementów składowych kompozycji mapowej (ryc. 6.5.2).
Ryc. 6.5.2. Przykład wydruku w postaci obrazu z elementami mapy
6.6. Podsumowanie
Quantum GIS posiada zatem rozbudowane możliwości zapisu i publikacji wyników pracy,
nie tylko na poziomie samej aplikacji, ale również w przeglądarkach graficznych czy na stronach
internetowych. Dzięki temu mapy mogą być łatwo dystrybuowane, bowiem potencjalny odbiorca
dysponuję co najmniej jedną możliwością odczytu nabytych produktów. Niewątpliwie działaniem,
które należy podjąć w celu zwiększenia efektywności dystrybucji wyników pracy jest
przygotowanie wtyczki, skryptu zapewniającego automatyzację procesu zapisu czy eksportu
danych. Dalsze prace nad projektem będą zmierzały właśnie w tym kierunku.
64
7. Podsumowanie
Przeprowadzone prace związane z uruchamianiem aplikacji Quantum GIS 1.5.0,
wczytywaniem danych, ich wizualizacją, przetwarzaniem czy analizowaniem oraz zapisem
wyników pozwalają postawić tezę o wartej dalszych rozważań użyteczności programu. Uważa się,
że QGIS w rozpatrywanej wersji zapewnił możliwość sprawnego wykonania wszystkich zadań.
Pomimo iż aplikacja nie została opracowana pod kątem użytkowania wyłącznie prognostycznych
danych meteorologicznych, to już sam fakt ujęcia plików GRIB w zbiorze obsługiwanych formatów
pozwala uznać wstępne przygotowanie programu do realizacji celów niniejszego projektu.
Niezależnie od powodzenia przeprowadzonych prac, QGIS w wersji 1.5.0 wymaga dalszego
rozwoju, szczególnie w zakresie analizowania danych meteorologicznych, nie tylko
prognostycznych, ale również z bieżących obserwacji przyziemnych, cyfrowego przetwarzania
obrazów satelitarnych na elementarnym poziomie, tj. klasyfikacji, choćby w celu oszacowania
wielkości zachmurzenia. Takie prace podjęto poza projektem. Wykazały one możliwość
wczytywania danych z naziemnych stacji meteorologicznych po przetworzeniu w arkuszu
kalkulacyjnym i wczytaniu do programu w postaci pliku CSV. Przeanalizowano też wstępnie
użyteczność QGIS odnośnie klasyfikacji zobrazowań satelitarnych w świetle widzialnym. Okazało
się, że szacowanie wielkości zachmurzenia w taki właśnie sposób nie jest obarczone istotnym
błędem, choć znajduje zastosowanie wyłącznie dla godzin dziennych (oświetlenie). Informacji na
ten temat nie podano jednak w projekcie, bowiem nie były one przedmiotem pracy.
Quantum GIS zapewnia przygotowywanie rozbudowanych analiz zarówno na danych
wektorowych jak i rastrowych. Dostępne są użyteczne stylizacje, narzędzia matematyczne,
statystyczne, geostatystyczne czy geograficzne. Umiejętne posługiwanie się nimi daje szerokie
możliwości przygotowywania ciekawych i funkcjonalnych produktów meteorologicznych.
Należy jednocześnie nadmienić, że możliwości wizualizacji prognostycznych danych
meteorologicznych uwarunkowane są posiadanym zestawem symboli synoptycznych oraz ikon
pogody. Z uwagi jednak na to, że można je wykonać w dowolnym programie generującym format
SVG, a nawet, w pewnych przypadkach, przygotować w samej aplikacji QGIS, trudno mówić o
realnych ograniczeniach. Efektywność zarządzania danymi prognostycznymi wymaga niemniej
stworzenia wzorów poszczególnych kartograficznych produktów meteorologicznych tak, by
przyspieszyć ich przetwarzanie. Maksymalną skuteczność można osiągnąć dopiero na drodze
automatyzacji procesu wczytywania, analizowania i zapisu danych. Kroki w tym kierunku zostaną
podjęte – po wstępnym zaopiniowaniu projektu w firmie AURA CENTRUM sp. z o.o., rozpoczną
się prace nad założeniami do zestawu wtyczek meteorologicznych, a w końcu prace
programistyczne, w których autor projektu będzie brał udział. Zostanie również przygotowana
ocena ekonomiczna wdrożenia Quantum GIS do czynnej służby meteorologicznej. Aktualnie
użytkowana aplikacja (GrADS) nie daje bowiem tak szerokich możliwości wyświetlania, analizy
oraz zapisu i dystrybucji map jak Quantum GIS, który nadto wykazuje nieporównanie większą
kompatybilność. Poza tym aplikacja zapewnia przyjazny i intuicyjnych interfejs graficzny oraz nie
wymaga umiejętności programistycznych. Quantum GIS jest zatem niewątpliwie ważną alternatywą
lub co najmniej suplementem już funkcjonującego w firmie systemu generowania prognoz
warunków pogody.
65
Spis rycin
Ryc. 1.3.1. Zniekształcenie powierzchniowe kształtu Polski.............................................................................9
Ryc. 1.4.1. Okno aplikacji tkdegrib (degrib). Zawartość (struktura) pliku GRIB wskazanego u góry
widoczna w postaci układu wierszy..................................................................................................................10
Ryc. 1.4.2. Okno aplikacji zyGRIB. Widoczna mapa barwna temperatury powietrza z naniesionymi
wartościami w węzłach siatki geograficznej oraz przyziemne pole baryczne opisane izobarami co 5 hPa.....11
Ryc. 1.4.3. Okno menedżera pobierania depeszy GRIB...................................................................................11
Ryc. 1.4.4. Okno opcji Meteotable – przeglądanie wybranych prognozy wybranych elementów
meteorologicznych dla wskazanego punktu (współrzędne na górnym pasku okna)........................................12
Ryc. 1.5.1. Przykład mapy w układzie długość-szerokość geograficzna WGS84...........................................13
Ryc. 1.5.2. Przykład mapy w układzie „1992”.................................................................................................13
Ryc. 2.1. Przykład mapy przygotowanej w programie GrADS dla AURA CENTRUM sp. z o.o. (źródło:
[34])...................................................................................................................................................................14
Ryc. 2.2. Przykład mapy przygotowanej w programie Digital Atmosphere (źródło: [35])..............................15
Ryc. 2.3. Widok okna programu WeatherscapeXT. Na obrazie scena prognozy warunków pogody dla TVP
Bydgoszcz.........................................................................................................................................................16
Ryc. 3.1.1.1. Przykłady dostępnych geometrycznych typów prognostycznych danych meteorologicznych
(po lewej punkty, po prawej poligony).............................................................................................................18
Ryc. 3.1.1.2. Dane punktowe............................................................................................................................19
Ryc. 3.1.1.3. Dane punktowe po klasyfikacji...................................................................................................19
Ryc. 3.1.1.4. Okno stylizacji warstwy w programie Quantum GIS v. 1.5.0.....................................................20
Ryc. 3.1.1.5. Dane poligonowe.........................................................................................................................20
Ryc. 3.1.1.6. Dane poligonowe po klasyfikacji................................................................................................21
Ryc. 3.1.2.1. Okno etykietowania warstwy wektorowej z poziomu właściwości warstwy (po prawej zakładka
Właściwości etykiety, po lewej zakładka Zaawansowane).............................................................22
Ryc. 3.1.2.2. Okno etykietowania warstwy wektorowej z poziomu menu głównego
…...........................22
Ryc. 3.1.2.3. Mapa temperatury powietrza – przykład etykietowania wartościami atrybutu...........................23
Ryc. 3.1.2.4. Mapa zachmurzenia – przykład etykietowania symbolami meteorologicznymi........................23
Ryc. 3.1.2.5. Mapa opadów atmosferycznych – przykład etykietowania symbolami meteorologicznymi.....24
Ryc. 3.1.2.6. Graficzna interpretacja składowych wektora wiatru z pliku GRIB............................................24
Ryc. 3.1.2.9. Okno Właściwości warstwy wektorowej w nowej stylizacji...........................................25
Ryc. 3.1.2.10. Okno Właściwości warstwy wektorowej.......................................................................26
Ryc. 3.1.2.11. System znakowania prędkości wiatru zgodny z wymogami WMO [18]..................................26
Ryc. 3.1.2.12. Okno Właściwości warstwy wektorowej w starej stylizacji...........................................27
Ryc. 3.1.2.13. Mapa kierunku i prędkości wiatru etykietowana symbolami meteorologicznymi...................27
Ryc. 3.1.2.14. Mapa zachmurzenia i zjawisk meteorologicznych dla dnia jako przykład symbolizacji ikonami
pogodowymi......................................................................................................................................................28
Ryc. 3.1.2.15. Mapa zachmurzenia i zjawisk meteorologicznych dla nocy jako przykład symbolizacji
ikonami pogodowymi........................................................................................................................................28
Ryc. 3.1.2.16. Okno Właściwości warstwy wektorowej w nowej stylizacji..........................................29
Ryc. 3.2.1. Efekt błędnej konwersji danych z GRB do ASCII; czarne pola wskazują na brak wartości.........30
Ryc. 3.2.2. Efekt błędnej konwersji danych z GRB do ASCII (obraz po klasyfikacji); czarne pola wskazują
na brak wartości................................................................................................................................................31
Ryc. 3.2.3. Przykład rastra w formacie GRIB przed klasyfikacją; na mapie przestrzenny rozkład temperatury
powietrza...........................................................................................................................................................31
Ryc. 3.2.4. Przykład legendy do mapy z ryc. 3.2.3..........................................................................................32
66
Ryc. 3.2.5. Przykład rastra w formacie GRIB po reklasyfikacji wraz z legendą..............................................32
Ryc. 3.2.6. Przykład mapy wielkości zachmurzenia nad wybranym obszarem Europy; im ciemniejszy odcień
szarości, tym większe zachmurzenie.................................................................................................................33
Ryc. 3.2.7. Okno komunikatu o nie obsługiwaniu formatu NetCDF...............................................................33
Ryc. 3.2.8. Okno Właściwości warstwy wektorowej w nowej stylizacji...............................................34
Ryc. 3.2.9. Okno Właściwości warstwy wektorowej w nowej stylizacji...............................................34
Ryc. 4.1.1. Widok na okno wtyczki Statist................................................................................................37
Ryc. 4.2.1. Przykład działania filtra danych przestrzennych. Barwą fioletową oznaczono zasięg obszaru z
prognozowaną temperaturą powietrza niższą od (-15)°C.................................................................................38
Ryc. 4.2.2. Przykład działania filtra danych przestrzennych oraz funkcji łączenia atrybutów wg położenia.
Efekt wyboru województwa o średniej, prognozowanej temperaturze poniżej (-15)°C..................................38
Ryc. 4.3.1. Widok na okno Wtyczka interpolacji..............................................................................40
Ryc. 4.3.2. Efekt interpolacji triangulacyjnej metodą liniową z zastosowaniem dyskretnej palety barw. Na
rycinie zaznaczono również przebieg izoterm..................................................................................................41
Ryc. 4.3.3. Efekt interpolacji triangulacyjnej metodą wielomianu trzeciego stopnia (metoda CoughTouchera) z zastosowaniem dyskretnej palety barw. Na rycinie zaznaczono również przebieg izoterm........41
Ryc. 4.3.4. Efekt interpolacji triangulacyjnej metodą wielomianu trzeciego stopnia z zastosowaniem ciągłej
palety barw. Na rycinie zaznaczono również przebieg izoterm........................................................................42
Ryc. 4.3.5. Porównanie przebiegu izoterm wygenerowanych triangulacją liniową i sześcienną. Widoczna
duże podobieństwo przebiegu izarytm..............................................................................................................42
Ryc. 4.3.6. Efekt interpolacji triangulacyjnej na bazie siatki punktów. U dołu widoczny błąd interpolacji....43
Ryc. 4.3.7. Efekt interpolacji triangulacyjnej na bazie siatki nieregularnie rozmieszczonych punktów.
Powierzchnia interpolacji nie obejmuje terenu całej Polski …........................................................................43
Ryc. 4.3.8. Efekt interpolacji metodą IDW (współczynnik wagowy = 2).......................................................44
Ryc. 4.3.9. Efekt interpolacji metodą IDW (współczynnik wagowy = 4).......................................................44
Ryc. 4.3.10. Suma opadów atmosferycznych metodą IDW (współczynnik wagowy 4)..................................45
Ryc. 4.3.11. Raport z krigingu w QGIS...........................................................................................................45
Ryc. 4.3.12. Efekt interpolacji metodą krigingu zwykłego z zaznaczonym przebiegiem izoterm. Przykład
rastra wysokiej jakości......................................................................................................................................46
4.4.1. Okno wtyczki RasterCalc.................................................................................................................47
Ryc. 4.4.2. Przykład analizy fazowości opadów metodą wg (albo metodą, albo wg) zależności temperatury
powietrza na wysokości 2 m n.p.t. (kolor czerwony) i średniej temperatury powietrza w warstwie między
poziomami 1000 i 850 hPa (kolor niebieski). Typy opadów oznaczono barwami: deszcz – zielony, deszcz ze
śniegiem – jasnoniebieski, śnieg – niebieski....................................................................................................47
Ryc. 4.4.3. Prędkość wiatru o wartości progowej powyżej 10 i 15 m/s...........................................................48
Ryc. 5.1.1. Przykład prognozy temperatury powietrza dla wybranego obszaru Sudetów. Krzyże oznaczają
węzły siatki geograficznej (rozdzielczość 0,05°×0,05°). Linie koloru białego – granice administracyjne
Polski i Czech....................................................................................................................................................49
Ryc. 5.2.1. Zmienność przestrzenna wskaźnika Whaitinge’a oznaczona metodą izarytmiczną ze wskazaniem
województw o średniej wartości wskaźnika powyżej 20 (kolor jasnożółty) i powyżej 25 (kolor żółty).........51
Ryc. 5.2.2. Wizualizacja rastrowa wskaźnika burzowego z wektorowym podziałem administracyjnym.......51
Ryc. 5.3.1. Przykład mapy ciśnienia atmosferycznego i zachmurzenia nad Europą z zaznaczonymi liniami
frontowymi........................................................................................................................................................53
Ryc. 5.4.1. Przykład mapy prognostycznej dla Polski na dzień.......................................................................54
Ryc. 5.4.2. Prognoza pogoda dla Polski na noc................................................................................................55
Ryc. 5.4.3. Przykład prognostycznej mapy synoptycznej dla Polski................................................................56
Ryc. 5.4.4. Przykład prognostycznej mapy warunków pogody dla Polski wzbogaconej elementami analizy
frontów atmosferycznych..................................................................................................................................57
67
Ryc. 5.5.1. Przykład prognostycznej mapy rodzaju opadów atmosferycznych wykonanej metodą
numeryczno-tradycyjną.....................................................................................................................................58
Ryc. 5.5.2. Przykład prognostycznej mapy sumy opadów atmosferycznych...................................................59
Ryc. 5.5.3. Przykład prognostycznej mapy sumy opadów śniegu wg powiatów.............................................59
Ryc. 5.5.4. Przykład prognostycznej mapy wystąpienia zawiei śnieżnych dla prędkości wiatru powyżej 10
m/s i 12-godzinnej sumy opadów śniegu powyżej 10 cm................................................................................60
Ryc. 6.1.1. Komunikat o możliwej niekompatybilności danych......................................................................61
Ryc. 6.1.2. Komunikat o możliwej niekompatybilności danych......................................................................62
Ryc. 6.2.1. Widok okna zapisu danych w postaci obrazu.................................................................................62
Ryc. 6.4.1. Okno wtyczki Html Image Map Plugin.............................................................................63
Ryc. 6.4.2. Przykład mapy wygenerowanej wtyczką Html Image Map Plugin....................................64
Ryc. 6.5.1. Widok na okno Wydruku w programie Quantum GIS 1.5.0........................................................64
Ryc. 6.5.2. Przykład wydruku w postaci obrazu z elementami mapy..............................................................65
Spis tabel
Tabela 1.3.1. Oznaczenia i opis wybranych parametrów modelowania numerycznego warunków pogody
(model GFS)
68
Spis literatury
[1]
Clough, R. and Tocher, J. Finite element stiffness matrices for analysis of plates in bending.
In Proceedings of Conference on Matrix Methods in Structural Analysis, 1965.
[2]
Dokumentacja modelu GFS, http://www.emc.ncep.noaa.gov/GFS/doc.php
[3]
Galos K., Profesjonalne mapy z Quantum GIS [w:] Dragonia, nr 37, 2010.
[4]
Global Administrative Areas
http://www.gadm.org/country
[5]
Informacja
z
czwartego
gis.pl/blog/czwarty_hackfest)
[6]
Kaczanowski L., Analiza pogody i prognoza dla lotnictwa. Warszawa, Dowództwo Wojsk
Obrony Powietrznej Kraju, 1987.
[7]
Klasyfikacja
ostrzeżeń
Instytutu
Meteorologii
i
Gospodarki
Wodnej,
http://www.imgw.pl/index.php?option=com_wrapper&view=wrapper&Itemid=324
Kossowska-Cezak U., Bajkiewicz-Grabowska E., Podstawy hydrometeorologii. Warszawa,
PWN, 2008.
[8]
(zasób
danych
Hackfestu
we
map
wektorowych
Wrocławiu
dla
świata)
(http://quantum-
[9]
Longley P.A. i in., GIS. Teoria i praktyka. Warszawa, PWN, 2006.
[10]
[11]
Mapa synoptyczna, http://pl.wikipedia.org/wiki/Mapa_synoptyczna
Nowotarska
M.,
Wprowadzenie
do
Quantum
GIS,
gis.pl/_media/czytelnia/wprowadzenie_do_quantum_gis.pdf
[12]
Polski Przegląd Kartograficzny, 1928, T. 3, nr 23/24.
[13]
Repozytoria Quantum GIS, http://www.qgis.org/wiki/Python_Plugin_Repositories
[14]
Statystyki zainteresowania QGISem na świecie
http://quantum-
(http://www.google.com/insights/search/overviewReport?
cat=&q=qgis&geo=&date=&gprop=&clp=&cmpt=q#q=qgis%2Cquantum%20gis&cmpt=q)
[15]
Strona domowa aplikacji Digital Atmosphere, http://www.weathergraphics.com/da/
[16]
Strona
domowa
portalu
pogodowego
AURA
CENTRUM
http://www.pogody.pl/go.live.php/PL-H76/mapy-modelu-gfs.html
[17]
Strona domowa aplikacji zyGRIB, http://www.zygrib.org/index.php?page=abstract_en
[18]
Szewczak P., Meteorologia dla pilota samolotowego (PPL, CPL, ATPL, IR). Poznań, Wyd.
AVIA-TEST, 2007.
[19]
[20]
Tutorial do aplikacji Degrib (http://www.nws.noaa.gov/mdl/degrib/tutorial.php)
Tutorial do aplikacji Digital Atmosphere, http://www.weathergraphics.com/dl/damanual.pdf
[21]
Tutorial aplikacji GrADS, ftp://grads.iges.org/grads/beta/doc/gadoc151.pdf
[22]
Tutorial do aplikacji WeatherscapeXT,
sp
.
zo.o.,
http://www.metramedia.com/files/WXT_brochures/2008_METRA_WXT_main_brochure.pdf
[23]
[24]
[25]
Vector map, (http://en.wikipedia.org/wiki/Vector_Map)
Wskaźnik burzowy (K index), http://www.crh.noaa.gov/dtx/glossary/k.php
Zasób danych GRIB, http://nomad3.ncep.noaa.gov/
[26]
Zasób danych SRTM, http://srtm.csi.cgiar.org/SELECTION/inputCoord.asp
69
70

Wojciech Krasowski Możliwości wykorzystania Quantum GIS w

Transkrypt

Podobne dokumenty

Dawna mapa źródłem wiedzy o świecie "Geographia historiae

Bond-1™ SF

postępowania i źródeł w części praktycznej finału Olimpiady

Kord z Henrykowa koło Szprotawy / Falchion artefact from Henryków

Wprowadzenie do mikrokinezyterapii