Quais sistemas GIS baseados em varredura realmente funcionam?

GIS rasterizados como GRASS , ArcGIS / Spatial Analyst e Idrisi podem executar um rico conjunto de processamento de dados e procedimentos analíticos, conhecidos livremente como " álgebra de mapas ". No ambiente de computação atual, está se tornando comum manter rasters de 100.000.000 de células ou mais em muitos formatos diferentes e exigir cálculos relativamente complexos, como cabinas de visualização, bacias hidrográficas e identificação de terrenos, além de recursos de processamento de imagem.

Parece que existem muitas soluções de código aberto, gratuitas e baratas. Mas quais realmente se sustentam na prática? Ou seja, quais podem lidar com grandes redes de maneira eficiente, podem facilmente entrar e sair de dados, são razoavelmente livres de erros e oferecem um complemento completo de procedimentos analíticos? Quais são as armadilhas ou limitações ocultas que você não descobre até ter investido muito tempo aprendendo esses sistemas? (Esta última pergunta é uma que não é facilmente respondida com a pesquisa na Web e onde espero que os respondentes possam oferecer conselhos valiosos.)

Estou especialmente interessado em soluções que possam se integrar bem e competir com os sistemas comerciais populares (mas caros) (o que significa que a compatibilidade do Windows é importante).

Não posso falar com a SAGA ou com outros sistemas, mas usei o GRASS extensivamente, inclusive para uma análise em escala global de células ~ 720M, que exigia implementações robustas de álgebra raster e operações complexas em terrenos. (Além disso, com a descontinuação do ArcInfo , o GRASS é sem dúvida o GIS mais antigo e continuamente desenvolvido).

Os dados e ferramentas GRASS podem ser facilmente acessados ​​através do QGIS , que fornece um bom analógico ArcView GUI. O próprio QGIS está obtendo bons recursos de análise de varredura, como o plug-in GDALTools , mas esses são bastante novos e carecem da maturidade e profundidade do próprio GRASS.

Outra perspectiva é o pacote raster para R : R tem uma grande base de usuários, a fonte de métodos é fácil de acessar e inclui a vanguarda de muitas técnicas estatísticas. No entanto, falta ferramentas de processamento de imagem e pode não ser suficiente para os tipos de tarefas nas quais você está interessado.

Por fim, o GDAL forma uma base sólida de muitos sistemas GIS, se não da maioria dos modernos, e possui implementações muito rápidas de muitas operações comuns de álgebra de mapas. Ele pode ser usado através de sua interface Python ou através de C / C ++ direto nos momentos em que a abstração da 'camada' se mostra insuficiente.

Usamos uma mistura - do Spatial Analyst, SAGA, Ermapper, um pouco de GRASS, mas no final tendemos a ir para a Geosoft - embora isso seja porque realizamos muito processamento de aprimoramento geofísico. O Spatial Analyst / ArcGIS é bom porque você pode estender facilmente a funcionalidade através das caixas de ferramentas / geoprocessamento, mas descobrimos que as rotinas reais de processamento do Spatial Analyst geralmente não são as melhores. Ultimamente, construímos caixas de ferramentas para acessar os módulos SAGA a partir do ArcGIS, para que possamos continuar a usar a funcionalidade sem precisar importar / exportar - a caixa de ferramentas cuida de tudo isso conforme necessário. Provavelmente, vamos fazer uma coisa semelhante para acessar a funcionalidade GRASS também

Agora você pode trabalhar e mapear álgebra com separadores de tamanho quase ilimitado em um banco de dados espacial com PostGIS. Pessoalmente, trabalho com SRTM e dados climáticos na escala do Canadá. Eu posso fazer a interseção entre as camadas raster e vetor de uma maneira muito rápida e transparente. Também posso usar um conjunto inteiro de funções de álgebra de mapas.

O coletor com o Surface Tools é muito bom em termos de importação de formatos e manipulação de rasters grandes; a análise pode ser feita diretamente entre rasters correspondentes ou com reprojeção implícita. Há suporte de GPU para várias funções de varredura e um forte suporte para automação com uma variedade de linguagens de script e SQL. O preço é bom em algumas centenas de EUA.

Doc geral para ferramentas de superfície:

http://www.georeference.org/doc/surface_tools.htm

Aqui está a lista atual de funções disponíveis para a caixa de diálogo Transformação de superfície, que aceita expressões personalizadas para realizar cálculos entre várias rasters:

http://www.georeference.org/doc/transform_dialog_functions_and_operators.htm

Uma armadilha é que as exportações de "superfícies" (rasters) não podem ser feitas para o GeoTIFF (as imagens podem). Normalmente exporto para SDTS e converto isso para GeoTIFF com GDAL. O mapeamento de sistemas de coordenadas do suporte da Manifold e outros sistemas como a família GDAL não é perfeito, mas os problemas são bem raros.

Ouvi falar de algumas pessoas quietas usando SAGA. Mas eu pessoalmente tenho muito pouca experiência com isso.

http://www.saga-gis.org/en/index.html

Para este artigo "Estimando as temperaturas diárias da superfície terrestre em ambientes montanhosos por dados MODIS LST reconstruídos ( PDF de texto completo ) Eu processei 11.000 imagens MODIS LST facilmente no GRASS GIS, de maneira paralela em nosso cluster. Muito divertido, pois funciona.

usamos o SAGA para monitorar dados das medições da taxa de dose e espectrometria gama (no ar ou no solo, fundo natural, lixões antigos etc.). Eu tenho muitos módulos úteis para nós e gostamos muito.

PS: como a saída do mapa SAGA tem suas limitações, para mapas mais avançados nós a combinamos com o Quantum GIS.

Fale por mim mesmo, sou tendencioso neste caso. Mas eu uso principalmente o IDRISI para GIS raster. Principalmente porque o IDRISI oferece as ferramentas mais abrangentes para análise de varredura, se você a comparar com outros softwares GIS. Desde vários modelos estatísticos de classificação e previsão até análises de bacias hidrográficas e de distâncias de custos, ele possui praticamente tudo o que precisamos para análises rasterizadas diárias. Também possui uma extensão para o ArcGIS. Melhorou sua capacidade de lidar com grandes dados. No entanto, nenhum software GIS realmente pode calcular uma distância de custo de 1000000 por 1000000 em um minuto ainda.