OpenStreetMap

Diary Entries in Portuguese

Recent diary entries

Ajuda!

Posted by RAFAEL DA SILVA BARBOSA on 27 August 2018 in Portuguese (Português)

Alguém sabe me dizer se minhas solicitações de mudanças precisam de alguma avaliação de alguém aqui?!

Location: Novo Horizonte, Microrregião de Imperatriz, Mesorregião Oeste Maranhense, Maranhão, Região Nordeste, 65930-000, Brasil

Vetorização semi-automática de matas densas com Sentinel-2

Posted by smaprs on 17 August 2018 in Portuguese (Português)

Neste post descrevo, e submeto a opiniões, os passos adotados para um teste de processamento semi-automático de vetorização a partir de imagem de satélite Sentinel-2, com controle de parâmetros e validação manuais feitos pelo usuário, tendo em vista a vetorização de áreas de matas com suficiente distinção entre natural=wood e landuse=forest (mata natural e mata cultivada).

Importante:
-Esta metodologia é aqui apresentada como uma preparação para uma possibilidade de proposta de mapeamento para a comunidade OSM, como um metodo auxiliar ao mapeamento, e que tem como foco somente o mapeamento voltado a coberturas de terreno (landcover). Por enquanto trata-se de testes, offline. Não feito upload.
-O processo todo resulta em simplificação, como curvas com espaçamento entre nós não menor que 10m (a resolução da imagem é 10m/px). Por isso não serve para objetos pequenos como lotes, praças, etc., pois não mapearia detalhes que podem ser vistos nas imagens padrão do OSM.

O propósito é:
-poder gerar desenho de grandes áreas de mata densa, em interiores do território, não densamente urbanizados;
-com diferenciação de vegetação usando índices apropriados, para forest e wood, o que não é facilmente, e/ou comumente, distinguido nos desenhos sobre as imagens padrão. Mesmo assim, deve ser verificado visualmente o resultado ao final do processamento, junto com as imagens padrão do OSM.

DESCRIÇÃO INICIAL DOS DADOS:

IMAGENS: SENTINEL-2 / Cobertura: ~100x100Km
Documentação original: https://www.sentinel-hub.com/develop/documentation/eo_products/Sentinel2EOproducts
Licença compatível com OSM: conforme https://wiki.openstreetmap.org/wiki/Sentinel-2
Fonte das imagens: https://earthexplorer.usgs.gov/ : camadas Sentinel-2
Bandas utilizadas: B11 (testadas todas as bandas, B11 se mostrou a melhor para o objetivo; condição:nuvem=0)

Índices utilizados: NDVI; CRE

NDVI: Normalized Difference Vegetation Index : Fórmula: NDVI = (B08 - B04) / (B08 + B04)
CRE: Chlorophyll Red-Edge (abbrv. Chlred-edge) : Fórmula: CRE = (B07 / B05) ^ -1

PROCESSAMENTO - PASSOS:

1)ESCOLHA DA IMAGEM DE SATÉLITE - SENTINEL:
Escolhida imagem em data que não gere discrepâncias (para mais ou para menos) de atividade vegetal: preferencialmente entre equinócio e solstício; evitar alto inverno e alto verão.

Caso Bom Jesus, RS:
https://earthexplorer.usgs.gov/ - Sentinel - "T22JEP_20180420T132231_B11"
Data: 2018/04/20
Hora: 13:22 (09:22 Brasil; gera alguma sombra)
[IMAGEM-1: abaixo. A imagem abaixo pode ser aberta em nova guia para visualizar detalhes em zoom maior.]


2)Examinar no QGIS valores do raster; procurar valores limites de distinções de classes:

-Usar as imagens em cores naturais, Sentinel-TCI (True Color - ver imagem abaixo ) e Bing, para localizar e marcar exemplos claramente identificáveis dos tipos de vegetação a serem distinguidos em classes.

Exige conhecimento da vegetação típica básica, e sobretudo poder identificá-la em imagem de satélite em cores naturais. Além de evidentemente poder distinguir os demais elementos, como área urbanizada, campo ralo, trilhas e corpos de água.

A identificação dos tipos wood e forest é possível de fazer somente sobre imagem Bing. Neste método, deve ser feita ainda preferencialmente sobre a imagem TCI do conjunto Sentinel-2, uma vez que esta apresenta o conjunto dos mesmos objetos no mesmo instante de tempo (áreas de florestas podem ter sido cortadas em diferentes períodos). Basta saber distinguir os tipos, o que é viável com algum pouco treinamento do olho.

O que o presente método propõe é usar uma seleção amostral, feita sobre as imagens em cores naturais, de objetos dos quais se tenha seguro conhecimento, que sejam representantes destes 2 tipos, wood e forest, bem como dos demais objetos que não são estas 2 classe, para, nas imagens dos demais sensores e ínidices Sentinel, avaliar os valores típicos de pixels dos objetos selecionados, testando se os mesmos limites de valores são encontrados em matas típicas em algumas diversas porções da imagem.

Os valores típicos em uma imagem podem apresentar alguma variação em outras imagens e outros locais. Por isso todos os passos do método deve ser repetidos em trabalhos com outras imagens ou territórios.

Uma vez que se encontre os valores limites típicos na imagem, usá-los como parâmetros para deduzir os objetos dos tipos wood e forest na imagem toda.

-Áreas de mata cultivada isoladas são mais fáceis de distinguir na imagem em cor natural. Não tanto quando plantadas em meio a mata natural, o que exige um olhar mais treinado aos detalhes das feições típicas (ver na imagem abaixo).
Assim é preferível procurar primeiramente áreas destacadas de plantação, em campo aberto. Como lotes mais ou menos regulares de mata plantada.
As espécies plantadas mais comuns nesta região de enfoque são sobretudo o Pinus, para indústria de celulose, e menos comumente Eucalipto, mais para construção e lenha.

As florestas de Pinus, e florestas plantadas em geral, costumam apresentar espécimes regularmente espaçados, formando uma malha regular densa, com uma superfície mais regular, como um tapete plano. Procurar por estas feições. São plantadas em campos planos e também em encostas. Nas encostas podem ser detectadas por várias trilhas de serviço para extração, escalonadas. Eucalipto costuma ser plantado ao redor de sedes de fazendas em campo aberto. A superfície de florestas plantadas de modo geral costuma apresentar maior homogeneidade de tamanho de indivíduos.

-As matas nativas ou mais velhas, com menor atividade biológica, e por isso índices diversos nas imagens, são o restante de matas a identificar. Em geral apresentam a superfície da cobertura mais irregular quanto ao tamanho dos indivíduos. Mais facilmente encontradas em locais onde não haja estradas ou trilhas de serviço indicando acesso constante, e em faixas variáveis ao longo das margens de cursos d'água, devido ao estatuto legal de proteção das matas marginais.

Estas áreas exclusivas com respectivos objetos-tipo servirão de amostragem de elementos das classes para avaliação dos valores de pixels. Podem ser feitos polígonos para marca-los, em layer à parte.
Com estes objetos-tipo, serão verificados e anotados os valores típicos dos pixels nas imagens de referência a serem examinadas alternando, sobre o mesmo objeto amostral, os respectivos layers: B11, NDVI, CRE. E anotados os limites de valores em relação aos objetos das demais classes. Estes valores limites típicos serão usados para distinção automática de tipos de vegetais na imagem toda.


CASO: Matas nos municípios de Bom Jesus e Monte Alegre dos Campos, RS:
QGIS: View menu : Identify feature : testar valores de pixels individuais


SENSOR / ÍNDICE :: B11 :: NDVI :: CRE
Min. :: 511 :: -0.87 :: 0.2
Max. :: 2709 :: +0.87 :: 0.75


MATA NATIVA (n.=wood) :: 1200-1800::0.30 /0.80 ::
MATA PLANTADA (l.=forest) ::150-1200 :: 0.70/0.80 ::
Mata na sombra(encosta.Sul) ::150-400 ::0.30/0.65 :: 0.4 - 0.5
Mata no sol (encosta.N.) :: 1200-1800 :: 0.65/0.80:: 0.25-0.3

campo ralo (null) :: 1500 -3000 :: :
urbanização :: 1700-3000 ::-0.10/0.20 :

água parada (açude) :: 50-150 ::-0.10/0.10 :: 0.8-1.0
água corrente (rio) :: 150-300 :: -0.30/0.60 :: 0.5-0.8
valor limite para água :: < 150 :: < 0.3 :: >0.5


Resultado observado:
* B11 distingue bem entre os tipos de matas "wood" e "forest".
Para isto ver também a documentação Sentinel sobre as aplicações dos diversos sensores e índices:
https://www.sentinel-hub.com/develop/documentation/eo_products/Sentinel2EOproducts
Em diferentes áreas do terreno abrangido na imagem, as mesmas classes de matas apresentam alguma variação, o que pode gerar ainda algum grau de imprecisão para uma distinção absolutamente exata. No entanto o limite de matas x campos ou urbanização é bem distinto. Por outro lado, não separa rios de forest; para isto necessita contrastar B11 com outros índices mais adequados, a seguir.
* NDVI e CRE destacam mais nitidamente o que é e o que não é vegetação, como corpos de água, trilhas, urbanização, etc.

[IMAGEM-2]


3)CORREÇÕES:

A imagem B11 distingue bem entre os tipos de matas wood e forest, mas não distingue bem matas na sombra (encostas Sul) e água corrente. Os índices NDVI e CRE fazem esta distinção. É necessário então corrigir a imagem B11 acrescentando as distinções de NDVI e CRE.

OPERAÇÃO: B11+(1-NDVI)+CRE
QGIS: Raster calculator: SINTAXE: "T22JEP_20180420T132231_B11@1" + ((1-"NDVI@1")*1800) + ("CRE@1" *2600)
Agregados empiricamente os fatores ponderadores NDVI*1800 e CRE*2600, para que fiquem acima dos valore limites dos tipos em B11 (~2000) , e equilibrar estes índices entre si. Isto é, depende de testes de tentativa-erro-acerto até chegar aos valores de equilíbrio. Precisa ser verificado em cada trabalho com outros conjuntos de imagens diferentes, em outros locais.

RESULTADO: "B11+1-NDVI+CRE.tif" : (10m/px)

[IMAGEM-3]


4)TESTAR CLASSES VISUALMENTE:
-Igual à etapa (2), para B11+1-NDVI+CRE:

Depende igualmente de fazer testes de tentativa-erro-acerto até chegar aos limites significativos e adequados à realidade que possa ser observada nas imagens naturais.
QGIS: Raster Properties :
Style / Categorized Renderer: Equal Interval
Color interpolation: Discrete : testar manualmente classes e valores limites

Resultado para esta imagem do caso-teste:
5 CLASSES :
(1)forest <= 2150 <
(2)wood <= 2600 <
(3)campo alto ou ciliar <= 3500 <
(4)campo ralo ou trilha <= 3950 <
(5)água, estrada, cidade, lavourado


5)PROCESSAR A IMAGEM, REDUZINDO ÀS CLASSES TESTADAS:

CONDICIONAIS "if/then/else":
QGIS: Raster calculator:
SINTAXE: (("@1"<x)* operação ) => se sim=1(opera); se não=0(não opera)

SINTAXE :
(1* ( "B11+1-NDVI+CRE@1" <=2150 ))
+ (2* (( 2150 < "B11+1-NDVI+CRE@1" ) AND ( "B11+1-NDVI+CRE@1" <= 2600 ) ))
+ (3* (( 2600 < "B11+1-NDVI+CRE@1" ) AND ( "B11+1-NDVI+CRE@1" <= 3500 ) ))
+ (4* (( 3500 < "B11+1-NDVI+CRE@1" ) AND ( "B11+1-NDVI+CRE@1" <= 3950 ) ))
+ (5* ( "B11+1-NDVI+CRE@1" > 3950 ))

Resultado:
Imagem com valores limitados às classes: "B11-5classes.tif"

[IMAGEM-4]


6)SIMPLIFICAR ÁREAS, REMOVER PIXELS ISOLADOS:

OPERAÇÕES: ~1min cada
QGIS: Processing / Toolbox :
* GDAl / Analysis / Sieve
* GRASS / r.neighbor

1 Sieve T3 C8 - Remove até 3px(10x30m)
2 Neig Max 3 Ci - Aumenta borda do maior, 1px cada lado (10m+10m)
3 Sieve T3 C4
4 Neig Mode 3 Sq
5 Sieve T6 C8 - Remove até 6px(20x30m)

Resultado:
5 classes filtradas: "B11-5classes-Filtrado.tif" (10m/px)

[IMAGEM-5]


7)REDUZIR A IMAGEM SOMENTE ÀS CLASSES DE INTERESSE (forest e wood; 1 e 2) E IGUALAR DEMAIS CLASSES (3,4,5) A "ZERO":

QGIS: Raster calculator: (( "@1" > 2 ) * 0) + (( "@1" <=2 ) * "@1" )


8)CRUZAR O RASTER PROCESSADO COM OS VETORES EXISTENTES NO OSM, DE RIOS E ESTRADAS, PARA MELHORAR RECORTES NAS MATAS:

-Baixar dados do OSM/overpass: highway=* or waterway=* and type:way
-Criar um novo layer vetor SHP contendo as linhas de highway e waterway que servirão para recortar.
-Adicionar um campo de número real, com valor "0"(zero) para todas as linhas/polígonos a serem filtrados
-Gerar um buffer sobre todas as linhas:
QGIS: Vector / Geoprocessing / Buffer : fixed distance
O buffer deve ser maior que a resolução da imagem destino e menor que os menores grupos de pixels após as filtragens. Para não gerar pixels ligados só nos cantos nem elminar a mais do que as filtragens anteriores. Utilizado buffer de 20m; suficiente para imagem de 10m/px. Contendo valor classe=0.
-Salvar o buffer como SHP

RASTERIZAR O VETOR SOBRE A IMAGEM:
-Fazer uma cópia simples do raster anteriormente processado, a ser alterada, como destino; -Adicionar o layer vetor do buffer sobre a imagem destino:
QGIS: Raster / Conversion / Rasterize : SHP com o buffer, campo p/ valor "0"(zero) : imagem destino

ÚLTIMA FILTRAGEM:
simplificar; remover últimos pequenos clumps de até 20 pixels isolados (4x5 pixels) que sobram em alguns recortes:
Sieve T20 C4

Resultado: "B11-0-1-2-Filtrado+OSM.tif"

Não é objetivo do processo captar áreas com menos de 40x40m nas distinções, o que equivale a pouco, o que gera muitas imprecisões. Somente áreas de matas com maior homogeneidade, que possuem dimensões muito maiores.

[IMAGEM-6]


9) ELIMINAR DEMAIS CLASSES NÃO UTILIZADAS - Igualar "zero" a "null":
(ajuda a reduzir a quantidade de polígnos no poligonize):

QGIS: gdal_translate / -a_nodata < x > : (x = valor da classe p/null)

Resultado:
Raster Classes 1+2+null : "B11-1-2-null+OSM.tif"


10)VETORIZAR - Gerar polígonos do raster:

QGIS: Raster / conversion / poligonize (manter mesma CRS no projeto)
Gera SHP com polígonos para as 2 classes somente.


11)SUAVIZAR POLÍGONOS - despixelizar:
QGIS: GRASS commands -> v.generalize.smooth:
(https://grass.osgeo.org/grass64/manuals/v.generalize.html)

* Sliding Averaging : look_ahead = 3 (mín=3, sempre ímpar) : slide = 0.7

Resultado: ~5min "Sliding-Average-L3-SL07-OK.shp"

[IMAGEM 7 e abaixo]
LEGENDA:
Verde claro: mata nativa (natural=wood)
Verde escuro: mata cultivada (landuse=forest)
Branco: null


12)ADICIONAR TAGS OSM E LIMPAR:

ELIMINAR DO SHP POLÍGONOS TRUNCADOS DE BORDA DE IMAGEM ou RESTRINGIR POLÍGONOS A MUNICÍPIO

Salvar como novo layer: "B11+OSM-limpo.shp"

-Selecionar todo polígono que encosta nas bordas do layer e remover manualmente (pode fazer um buffer menor que os limites do layer);
-Adicionar tags:
QGIS: Table Manager + Field Calculator : landuse=forest; natural=wood;
-Remover tags sem uso (area; classe).
Salvar com CRS para OSM: WGS84-EPSG:4326


13) Opcional: Selecionar por máscara de município
(pois o JOSM fica muito pesado se abrir mais de 10.000 polígonos)

QGIS: Vector / Spatial Query: "SHP-origem" + Intersects + "SHP-máscara" - selection / invert / remove


PROCESSOS NO JOSM:

1)ABRIR CADA SHP SEPARADAMENTE :

-Sem baixar dados do OSM
-salvar como .osm

Já entra como polígono ou multipol(outer/inner); curvas com ~1nó/10m (mesma resolução das imagens raster)

Monte Alegre dos Campos:
QGIS: SHP 5,2MB; features/polígonos= 3.519
JOSM: "B11-MA-4326.osm" : 23,8MB; nodes= 243.070


2)SIMPLIFICAR:
Select: type:way / Symplify way
Resultado: nodes= 136.853


3) VALIDAR SEPARADAMENTE
-Sem baixar dados do OSM

Resultado:
Errors: (0)
Warnings: (28)
Self-intersecting polygon ring (3)
Self-intersecting ways (25)

Todos foram casos de auto-intersecção em cruz (quina) - imagem abaixo.
Talvez possa evitar previamente no QGIS com
QGIS: GRASS commands -> v.generalize.smooth / Displacement
(https://grass.osgeo.org/grass64/manuals/v.generalize.html)

Solução:
Alteração manual: "unglue(G)" nos nós de cada intersecção; afastar nós e ways
Cuidar: testar todos os nós da intersecção após o unglue; manter polígonos e multipolígonos fechados ao final

VALIDAR NOVAMENTE:
Resultado: VALIDAÇÃO COMPLETA (0)


4) TESTES DE CONFLITO COM O EXISTENTE:
-Baixar dados do OSM;
-verificar existência de objetos de landcover previamente mapeados no OSM (como landuse=grass;orchard;..., natural=grassland;scrub;wetland;..., etc): se houver, não substituí-los ou alterá-los; ao contrário, remover no novo conjunto os polígonos que os intersectarem.O método não objetiva alterar objetos das mesmas classes de foco (wood e forest) previamente existentes, apenas acrescentar novos que não estejam em conflito com aqueles.

VALIDAR:
Resultado: VALIDAÇÃO COMPLETA (0)

Pronto para aprovação e upload


5) PARA UPLOAD DOS NOVOS DADOS AO OSM:

Se aceito o método como válido para o OSM , proposto salvar em changesets exclusivos, com a nota:
"adição de polígonos de matas (wood;forest) semi-automatizados com controle de parâmetros e validação manuais"

O arquivo .osm resultante deste teste para verificação pode ser baixado neste repositório (não feito upload ao OSM).


Comentários:

Onde acho que ainda pode melhorar:

-A área da imagem cobre cerca de 100km x 100km. A imagem classificada tem 10m/px. O método permite obter cerca de 250 novos nós de polígonos por km2 (exemplo Monte Alegre dos Campos: 548km2, 136.853 nós), o que para a área inteira significa cerca de 2.500.000 nós. É algo que levaria muito tempo para ser mapeado no OSM somente manualmente sobre imagem Bing (ou muito possivelmente nunca viesse a ser mapeado). É possível ainda pensar em reduzir esta quantidade de nós, simplificando sobretudo linhas mais retas.

Na minha opinião de todo modo é muito recomendável simplificar e eliminar pequenos clusters de pixels, como <40x40m (~16px), que estejam "internos às matas", ou inclusive descartar todos destas dimensões "fora das matas", pois:
-o OSM usa simplificação de áreas de terreno, exemplo maior são as coast_lines;
-manter áreas pequenas de <40x40m, tumultua o resultado com objetos pequenos sem alta precisão para a imagem, objetos que não são objetivo do processo;
-o objetivo é mapear as áreas grandes de mata densa e mais homogêneas, sem invadir áreas de campos ou urbanização, o que já é suficientemente bem obtido pela limitação dos índices, não sendo necessários portanto este tipo de pequenas "ilhas".

-Na filtragem, seria melhor manter o mesmo buffer de aumento e retorno de limites de áreas vizinhas. Ficou um pouco a mais, 10m maior, pra dentro da mata. Por um lado evita invadir outras coisas. Mas usando os vetores do OSM para buffer de estradas e waterway, isso já resolve

-A distinção "matas" x "o que não é mata", é bem precisa.
A distinção matas "wood" x matas "forest", por outro lado, é muito boa na maior parte, mas nem sempre permanece exatamente a mesma, sob os mesmos valores limites, em todas as porções da imagem. Há poucas situações em que uma é classifica no lugar da outra, por variações dos índices. Uma distinção absoluta poderia ser comprovada somente com uma análise completa de campo. O que provavelmente nunca será viável para o OSM, e pouco provável de ser feito mesmo em qualquer órgão ambiental governamental.

Em resumo, somente por mapeamento totalmente manual e sobre imagem natural como Bing, sem recorrer aos recursos de maior precisão de distinção de tipos vegetais que sensores e índices como do Sentinel proporcionam para uma classificação mais precisa, e sem contar com ferramentas de desenho automatizado (vetorização) sobre classes previamente determinadas, com controle do usuário, para desenhar grandes áreas, como o QGIS oferece:
-dificilmente se mapeará semelhantes grandes áreas de matas;
-se ainda assim forem manualmente mapeadas, dificilmente terão a precisão de distinções que sensores específicos de satélite e indices derivados oferecem como possibilidade.

Resta a comunidade avaliar:
-se é desejável e/ou aceitável esta forma de mapeamento semi-automatizado de matas;
-se é aceitável o grau de imprecisão inerente por generalização e simplificação.

Mesmo com o limite de precisão inerente ao método, pode-se observar aí melhores resultados de mapeamento, tanto em qualidade da geometria como em distinção dos tipos, do que comumente em mapeamentos manuais existentes no OSM, em geral bastante simplificados, pela própria limitação dos recursos de imagem natural.

Por favor, fiquem à vontade para tecer comentários se desejarem, como se vale ou não vale a pena investir neste tipo de processo para desenhar áreas de mata densa, em regiões de interior, para o OSM.

Location: -28.841, -50.300

Prédios rústicos

Posted by luisforte on 20 June 2018 in Portuguese (Português)

Levantamento e registo em OSM dos prédios rústicos do sudoeste do distrito de Évora e do noroeste do distrito de Beja. Não pretendendo ser um registo exaustivo, para tal existem as entidades oficiais, tem como objectivo permitir uma referenciação geográfica genérica fora das localidades. Os montes, mesmo que em ruínas (building:ruins), são assinalados , sendo que as herdades e hortas ficam assinaladas de modo menos preciso, não sendo sequer utilizado o centroide das mesmas, o que implica que estas propriedades não ficam facilmente delineadas nem fica registada a identificação dos seus limites (São identificadas com um ou mais pontos, com a tag place:farm ou landuse:farmyard)

aparecer a marcação de caminhos no mapa

Posted by Cartixa on 12 June 2018 in Portuguese (Português)

Como faço para aparecer marcado no mapa as rotas de caminhada e bik porque ja editei algumas e elas não aparecem

Cumps.

Mapear Luanda

Posted by a_jorge on 7 June 2018 in Portuguese (Português)

Boas, Vamos mapear Luanda, Viva!

Location: -8.816, 13.232

Mapeamento em aula

Posted by Borini on 15 May 2018 in Portuguese (Português)

Hoje, na disciplina de Cartografia Escolar, iniciamos um mapeamento por áreas da Universidade Federal do Espírito Santo. Marcamos pontos, tiramos fotos georreferenciadas e fizemos trilhas, utilizando esta plataforma e o GPS Essentials, via celular.

Location: -20.275, -40.304

Locais onde falta mapeamento no Brasil - máscara KML para iD e JOSM

Posted by smaprs on 28 December 2017 in Portuguese (Português)

Está também disponível para download arquivo com máscaras KML de setores submapeados, para uso no iD e JOSM.
Contém os setores onde não há sequer 01 nó por habitante, "zero" (havendo habitantes no setor, conforme IBGE-Censo 2010).
Permite trabalhar com maior resolução dos limites, em menor escala. Fundidos perímetros de polígonos adjacentes.

Para download do arquivo DNH-zero-BR.zip, com os setores em KML, dividos pelas 5 regiões do Brasil,
clique aqui (via wiki), ou diretamente aqui (dropbox zip).

PASSO-A-PASSO para uso do KML no iD ou JOSMː
-Faça download do zip acima, contendo os KML das 5 regiões, e descompacte-o em uma pasta;
-Escolha o arquivo KML com a região do Brasil que você tenha interesse;
-Na tela de "edição" do iD (ou JOSM), no menu "Dados do Mapa", simplesmente arraste o arquivo KML para a tela (ou abra a pasta).
Prontoǃ
Basta identificar um setor submapeado, destacado na sua região de interesse, verificar e completar o mapeamento básico (como rede viária, etc).

NOTA: alguns destes locais destacados, como próximo de regiões metropolitanas, ao redor de capitais, representam setores muito pequenos, como do tamanho de uma única quadra, onde há habitantes. Isso quer dizer: dentro da área em si não há nada mapeado, como prédios (por isso constam como "zero nós"), mas pode já haver bom mapeamento da rede viária ao redor. Também pode acontecer que, da época em que foram contabilizados os nós OSM (Setembro/2017), até o momento atual, já tenha sido aumentado o mapeamento. Mas de modo geral não deve ainda ter alterado muito a situação.

Location: -12.000, -50.000

Locais onde mais falta mapeamento no Brasil (Nodes/Habitantes)

Posted by smaprs on 26 December 2017 in Portuguese (Português)

Está disponível para download, para uso no JOSM, a
camada-mapa de "Nós-OSM por Habitante no Brasil",
desenvolvida a partir da contabilização do total de nós OSM no Brasil, e da Densidade Demográfica, por setores censitários, do Censo 2010 do IBGE.
Você pode fazer download:
aqui (via wiki), ou diretamente aqui (dropbox zip com imagem 3000px, previamente calibrada).

Propósito:
Ajudar a encontrar os locais menos mapeados no Brasil, proporcionalmente à densidade demográfica.
Isto é, a camada mostra graficamente, em um mapa do Brasil, a classificação dos locais (setores IBGE) conforme o índice adotado de "total de nós OSM" dividida pelo "total de habitantes", em cada um dos 316.574 setores censitários do Censo 2010 do IBGE.

O mapa resultante destaca os locais menos mapeados, isto é, com:
-menos de 01 nó por habitante (em vermelho);
-nem sequer 01 nó por habitante, "zero" (em amarelo).
(Ver legenda).

Colocada esta camada no JOSM (em sobreposição de transparência às demais imagens, como OSM e Bing), basta fazer zoom a um local de interesse e verificar ali o mapeamento, como a presença de habitações que faltam ser mapeadas, ou sua acessibilidade (rede viária).

PASSO-A-PASSO para uso no JOSMː
-Habilite o plugin JOSM/Plugins/PicLayer, no JOSM, em configurações / plugins;
-Abra a imagem no JOSM;
-Carregue o arquivo de calibragem (*.cal) da imagem: o posicionamento correto entrará automaticamente;
-Mova para o topo da lista de camadas (layers);
-Ajuste a opacidade (~50%) de modo a permitir visualizar as demais camadas de baixo.
Prontoǃ Basta buscar um local para mapear.

A documentação completa está em:
https://wiki.openstreetmap.org/wiki/Demografia_do_Brasil_como_auxiliar_no_OSM

Location: -12.000, -50.000

Mapeamento das aldeias e lugares de Portugal

Posted by ViriatoLusitano on 23 December 2017 in Portuguese (Português)

Introdução

Em Portugal os aglomerados populacionais tendem a estar dispersos e não concentrados num único centro urbano. Várias destas aglomerações situam-se a vários quilómetros do centro da freguesia, que é a menor divisão administrativa em Portugal, tornando-se assim muito difícil encontrar estes sítios se não tivermos o nome que os habitantes locais usam para se identificarem.

https://i.imgur.com/SYExQ6O.jpg

Comparação entre centros populacionais. À esquerda um sítio com várias aglomerações satélites e à direita um sítio onde a população está concentrada. Fonte: Bing

Acredito que já repararam que não existe uma base de dados livre que contenha os nomes ( e especialmente os limites) dos milhares de pequenos aglomerados urbanos que existem em Portugal. Não ter este tipo de dados torna-se num problema quando se tenta procurar por eles para propósitos de navegação por GPS ou simplesmente para ver onde ficam no mapa.

Decidi, então, adicionar na base de dados do OpenStreetMap estes dados. Por esse motivo perguntaram-me como é que eu as mapeava. Ora, para facilitar a explicação, elaborei este guia para que assim possas também ajudar!

Nota: Por aglomerados urbanos refiro-me a aldeias, quando em meio rural, e a lugares, quando em meio urbano.

Preparação

Em primeiro lugar precisamos de ter o JOSM já que vamos lidar com importações. Também precisamos de ter instalado um plugin chamado OpenData que vai permitir abrir ficheiros shapefile (shp).

https://i.imgur.com/cF2YMI5.png

Em segundo lugar vamos utilizar os dados disponibilizados abertamente pelo Instituto Nacional de Estatística (INE), mais especificamente os da Base Geográfica de Referenciação da Informação (BGRI). Estes dados contêm todos os lugares estatísticos que o INE utiliza durante os seus censos.

https://i.imgur.com/weBjWOq.png

Felizmente para nós os dados incluem o nome e limites das várias aldeias de Portugal. Também contêm informação de muitos lugares, mas não de todos — o que acontece é que, em zonas altamente urbanizadas e/ou inseridos dentro do perímetro de uma vila ou cidade, deixa de existir informação sobre o lugar.

Descarregar os dados

Voltando ao sítio do BGRI, temos a opção de descarregar os limites em todo o país, mas na minha opinião, e de maneira a facilitar o trabalho, recomendo descarregar ao nível mais pequeno, o do município.

https://i.imgur.com/rVJyccx.png

Vai ser descarregado um ficheiro arquivado .zip que posteriormente teremos de extrair para uma pasta.

https://i.imgur.com/yeOPWqy.png

Importação para o JOSM

No JOSM vamos primir as teclas Ctrl+O e seleccionamos o ficheiro com a extensão de .shp e esperamos um bocado enquanto decorre a importação.

https://i.imgur.com/AsfrL8J.png

Assim que terminar a importação vamos deparar com a seguinte situação:

https://i.imgur.com/ETGWWpB.png

Limpar os dados

Há muita informação que não nos interessa, por exemplo: códigos internos ou limites "residuais". Por isso de forma a que o nosso trabalho fique facilitado vamos remover tudo o que for "ruído".

Começamos por seleccionar todos os dados (Ctrl+A) e apagamos todas as etiquetas excepto as "LUG11" e "LUG11DESIG".

https://i.imgur.com/EqDqMUB.png

De seguida abrimos a janela de pesquisa (Ctrl+F) e escrevemos "residual" (não te preocupes com nenhum dos botões abaixo que por defeito já estão como queremos).

https://i.imgur.com/kqkV3Zq.png

Depois de seleccionados os dados que procuramos temos de os eliminar (Del).

https://i.imgur.com/JUjCIu1.png

Vai surgir uma janela a avisar que serão apagadas relações, elas não nos interessam por isso podemos confirmar a eliminação.

https://i.imgur.com/3vVMbeY.png

Agora queremos apagar o que forem linhas vazias já que não contêm nada, para tal abre novamente a janela de pesquisa e escreve "type:way untagged" e elimina o que aparecer seleccionado.

https://i.imgur.com/JUjCIu1.png

No final teremos os seguintes dados:

https://i.imgur.com/bZxkF6O.png

Agrupar as várias secções

Se seleccionarmos as linhas que existem, vamos reparar que há muitas com a mesma designação. Isto acontece porque nos dados do BGRI os lugares estão divididos em secções e para nós isto não nos interessam.

Para esse propósito temos de agrupar as várias secções com o nesmo nome/código numa só, assim revelando o verdadeiro limite das diversas aldeias e lugares.

Em primeiro lugar escolhemos uma linha (pode ser qualquer uma) e copiamos o código que está na etiqueta "LUG11".

https://i.imgur.com/j6MOkNK.png

Nota: Podes também copiar a designação, mas verifiquei que muitas vezes existe mais que um aglomerado com o mesmo nome num município e por isso não recomendo ir por este método.

Abrimos novamente a janela de pesquisa e colamos o código que copiamos. Após feita a pesquisa vamos ter a seguinte situação:

https://i.imgur.com/iLdvSHj.png

No passado havia um plugin chamado merge-overlap que facilitava o seguinte passo, mas este, no momento em que escrevo este guia, encontra-se inutilizável.

Por essa razão vamos por um método alternativo: traçamos uma linha que corresponda ao perímetro seleccionado. Se te esqueceres dos limites basta abrir novamente a janela de procura e inicia a pesquisa já que o código está memorizado.

Antes de traçarmos o perímetro, vamos primeiro copiar (Ctrl+C) ambas as etiquetas "LUG11" e "LUG11DESIG" para posteriormente as metermos na linha que irá ser criada.

https://i.imgur.com/6PLUZp8.png

https://i.imgur.com/F9zMZkN.gif

Feito o perímetro, vamos manter a linha seleccionada e colamos (Ctrl+V) as etiquetas "LUG11" e "LUG11DESIG" anteriormente copiadas. Depois copiamos o perímetro, criamos uma nova camada (Ctrl+N) e colamos o perímetro na mesma posição (Ctrl+Alt+V).

https://i.imgur.com/5xvGq4F.png

Para terminar vamos simplificar a linha (Shift+Y).

Importar os dados do OSM

Vamos agora descarregar os dados do OSM (Ctrl+Shift+↓).

https://i.imgur.com/ap2OA2X.png

De forma a facilitar a visualização dos mesmos sugiro aplicar o seguinte filtro com as opções que estão expostas na imagem abaixo:

boundary=administrative | place=* | ICC=Portugal | LUG11=*

https://i.imgur.com/fFXIKa6.png

Para utilizar a ferramenta de filtro basta a seleccionar no seguinte menu:

https://i.imgur.com/3VliCrH.png

Confirma que está activado e no modo inverso.

Adicionar a relação e etiquetas

Primeiro vamos criar a relação com as seguintes etiquetas e depois vamos incluir na relação a linha e o nó que representa o "centro" da aglomeração:

  • name=Póvoa
  • bgri:code=018494
  • place=neighbourhood
  • border_type=lugar
  • boundary=administrative
  • admin_level=10
  • source=INE - BGRI 2011
  • type=boundary

https://i.imgur.com/e8re5Wh.png

https://i.imgur.com/dhA77Oo.png

A negrito estão as três etiquetas que mudarão dependente da aldeia/lugar que estamos a tentar inserir, as outras serão sempre as mesmas em qualquer das situações.

No caso de "place=*" temos de ter em consideração o contexto do aglomerado:

  • Se estiver perto de outros (ou até dentro de um perímetro urbano) então é "place=neighbourhood" (lugares, bairros, urbanizações, etc.)
  • Se estiver longe de outros então é "place=hamlet" (aldeias)
  • Se for uma quinta/herdade então é "place=farm" (este último é um tanto raro)

Para a linha vamos atribuir a função de "outer" e para o nó a função de "admin_centre".

Feito isto, aceitamos a relação.

Para terminar vamos seleccionar novamente a linha que define o aglomerado (e a relação) e vamos atribuir as seguintes etiquetas:

  • admin_level=10
  • border_type=lugar
  • boundary=administrative
  • source=INE - BGRI 2011

Não esquecer de apagar as etiquetas "LUG11" e "LUG11DESIG".

Toques finais e envio para o OSM

De forma a que esteja devidamente organizada, recomendo incluir a relação recém-criada na relação da freguesia a que pertence da seguinte maneira:

  1. Averiguar a freguesia que este aglomeração faz parte (neste caso é a freguesia extinta do Vale de Remígio)
  2. Seleccionar a relação recém-criada na lista de relações (os dados ficaram a rosa)
  3. Procurar pela freguesia (ou freguesia extinta) na lista de relações e clica no botão "editar"
  4. Adiciona a aldeia/lugar seleccionado ao fundo da relação, atribuindo-lhe a função de "subarea"
  5. Confirmar a edição

Também é preciso ver se o nó contém a informação correta, isto é, que tenha o mesmo nome que a relação da aglomeração e mesmo tipo de "place=*".

Feito isto tudo, temos agora duas opções: ou enviamos o que foi feito para o OSM ou repetimos o processo para outro aglomerado.

Se repetirmos o processo podemos copiar a relação e adaptar-la de modo a poupar tempo.

Sem mais nada a referir, deixo aqui uma amostra do que poderão fazer, bom trabalho!

https://i.imgur.com/3G4zTti.png

Casos Excepcionais

  • Se o aglomerado se situa em duas ou mais freguesias (ou freguesias extintas) então criamos uma relação para cada uma sem que tenha a tag "place=*", no final cria uma nova relação que vai corresponder ao lugar/aldeia (exemplo).

Routing

Posted by luisforte on 12 October 2017 in Portuguese (Português)

Acrescentar toponimia, fazer correções e ajustes a permissões de trânsito, sentidos, faixas e inserção de semáforos. Objectivo, obter um roteamento rodoviário correcto em Alvito, Torrão, Évora, Vila Nova da Baronia, Odivelas, Oriola, São Bartolomeu do Outeiro, Alcaçovas, Vila Ruiva, Alfundão, Peroguarda, Viana do Alentejo, São Manços, São Brissos, Vila de Frades, Alcaria da Serra, Vera Cruz e Valverde. Validação e testes com OSRM

Concentração de 2/3 da população total do Brasil em 1/5 dos municípios

Posted by smaprs on 9 September 2017 in Portuguese (Português)

Conforme estimativa populacional IBGE 2017:
Os 1.114 Top 20% municípios (1/5 dos 5.570 no Brasil) em densidade demográfica de 66,36 a 12511,59 hab/km2.
O somatório da população estimada destes é: 137.988.243 habitantes, 66,4% da população total estimada do Brasil, de 207milhões.
2/3 da população do Brasil estão nestes municípios, destacados no mapa abaixo.

Isso significa que nestas pequenas áreas do Brasil devem estar cerca de 2/3 das vias residenciais e similares, Pontos de Interesse (POIs), construções, e tudo o mais relacionado ao mapeamento urbano.
Não significando obviamente que o restante 1/3 do Brasil não necessite.
Para questão do mapeamento de áreas urbanas, densamente povoadas, o mapa abaixo indica possibilidades de foco.

Fonteː
Estimativas populacionais para os municípios e para as Unidades da Federação brasileiros em 01.07.2017
http://www.ibge.gov.br/home/estatistica/populacao/estimativa2017/estimativa_dou.shtm

Location: -15.000, -50.000

uMap: 3D Modelos Digitais de Elevação

Posted by smaprs on 26 June 2017 in Portuguese (Português)

Alguns modelos 3D que fiz com QGIS, plugin Qgis2threejs (https://plugins.qgis.org/plugins/Qgis2threejs/), NASA SRTM, imagens de várias fontes (créditos no modelo e/ou metadados), mais alguns dados do OSM, mapeados no uMap.

Alguns modelos podem demorar um pouco para carregar (de 6 a 12MB).

http://umap.openstreetmap.co/m/1095/

Alt text

Location: 0.000, 0.000

Mapeando lugares históricos em Jacaraípe, Serra - ES, Brasil

Posted by Henrique Pires on 25 May 2017 in Portuguese (Português)

Usando o site "veracidade.com.br" é possível visualizar as modificações no espaço físico ao longo do tempo através de um mapa. Visualizei uma área do meu bairro que não existe mais, é um lago que hoje grande parte do mesmo está aterrado, inclusive nota-se que essa área é uma área de constantes alagamentos. Então, usando a plataforma OSM, marquei essa mesma área no mapa atual, descrevendo-a e rotulando como um lugar histórico.

Location: -20.133, -40.203

Mapeamento Colaborativo de Jacaraípe - Meu lugar através de fotos

Posted by Henrique Pires on 6 April 2017 in Portuguese (Português)

A foto foi tirada no dia 14/03/2017 ás 17:58. Final da tarde de um dia quente (máxima de 35ºC) e ensolarado. A foto trata de um morro com bastante árvore e algumas casas no meio. O propósito era tirar uma foto de algum lugar de Jacaraípe (Serra-ES) que ninguém saberia que local é, que bairro etc... Lagoa de Jacaraípe, Serra, Es, Brasil

Location: -20.130, -40.206

Edição de Figueiró da Serra

Posted by Francisco Caldeira on 4 March 2017 in Portuguese (Português)

Edição parcial do edificado de Figueiró da Serra

Location: 40.539, -7.488

Não consigo editar

Posted by Cartixa on 30 January 2017 in Portuguese (Português)

Não sei o motivo de naõ conseguir editar

HOT Task Manager para a comunidade portuguesa

Posted by Jorge Gustavo Rocha on 23 December 2016 in Portuguese (Português)

HOT Task Manager 2

Temos uma instalação do HOT Task Manager 2 para a comunidade portuguesa, em língua portuguesa (obrigado aos tradutores do HOT).

Já há pelo menos 3 mapeadores com permissões de "administrator" que podem dar permissão de "project manager" a quem precisar. Quem quiser criar um projeto, passe um email na nossa lista Talk-PT que um dos administradores faz isso.

Esta ferramenta é muito interessante para apoiar mapping parties.

Bom trabalho!

Location: 39.694, -8.131

Valados novo

Posted by luisbalves on 19 December 2016 in Portuguese (Português)

Caminhada de três quilómetros.

Location: 37.738, -25.678

Diário de Mapeamento Colaborativo - 08/11/2016

Posted by Jan Victor on 8 November 2016 in Portuguese (Português)

Meu Nome é Jan Victor participo de Iniciação Ciêntifica Viculada a FAPES com foco em Mapeamento Colaborativo, hoje discutimos sobre assuntos relacionados a gastos do dinhero do bolsista, lanches colaborativos, camisa de indentificações, fizemos o mapeamento da escola em cima e em baixo e depois emocional. Discutimos sobre o filme Caramuru que retrata um pouco sobre mapas da antiguidade, e por fim relatorios do nosso dia.

Diário de mapeamento colaborativo - 08/11

Posted by Deivid Júnior on 8 November 2016 in Portuguese (Português)

Olá,

Meu nome é Deivid Júnior, sou estudante da escola Jacaraípe, Serra ES - Brasil, e faço parte do projeto "Mapeamento Colaborativo" vinculado à FAPES em parceria com a UFES. No dia de hoje, tivemos uma discussão em cima do filme brasileiro " Caramuru " em relação à questão de mapas com uma visão geográfica e histórica em geral. Comparamos os tipos de mapas, formas de mapeamentos e o mapa criado desde 1970 à 2012. Mapeamos nossa escola de várias formas e à analisamos em questões físicas, emotivas e sociais.