Lagi

Hitung jalur aliran dengan QGIS

Hitung jalur aliran dengan QGIS


Saya mencoba mereplikasi model erosi saya di ArcGIS untuk Desktop di QGIS 2.4.

Saya mencoba menghitung jarak hulu sepanjang jalur aliran untuk lahan pertanian saya menggunakan QGIS. Saya melakukan yang setara di ArcGIS dengan alatPanjang alirandan itu sederhana dan efektif.

Saya melihat dua alat potensial yang dapat memberikan hasil serupa di QGIS,r.flow(GRASS) atau SAGA. Alat pertama, r.flow memberi saya jalur panjang aliran tetapi hasilnya tidak masuk akal dan beberapa output tidak dapat disimpan. Panjang jalur aliran alat kedua dengan SAGA, saya tidak mengerti apa itu benih dan saya tidak melihat opsi untuk menghitung jarak hulu.

Panjang Arcgis Flow (Nilai 0 hingga 840 meter, hitam ke putih):

QGIS r.flow (GRASS) (Nilai 0 hingga 6,5, hitam ke putih):

Ini masukan saya untuk alat r.flow (GRASS) di QGIS 2.4

  1. elevasi LiDAR, saya melakukan pengobatan Fill Depression.
  2. Raster aspek.
  3. Penghalang, saya membuat raster berisi semua nilai 0. (Saya tidak begitu yakin di sini, saya tidak menemukan begitu banyak informasi untuk input ini).
  4. Hitung untuk panjang hulu.
  5. Parameter lainnya adalah yang default.

Saran untuk alat yang tepat untuk digunakan dipersilakan.


Sangat sulit untuk mengetahui dengan tepat di mana kesalahan terjadi tanpa mengetahui detail tentang input yang Anda gunakan untuk setiap alat. Namun melihat dua gambar yang Anda sematkan ke dalam posting Anda, bagi saya sepertinya masalah umum dalam menjalankan analisis jalur aliran pada DEM yang tidak diproses secara hidrologis, yaitu DEM yang telah Anda hapus semua depresi topografi dan datarnya. daerah melalui baik depresi mengisi atau melanggar. Alat ArcGIS memerlukan input raster penunjuk aliran D8, yang jelas Anda berikan dari DEM tanpa depresi. Saya pikir Anda mungkin telah memberikan input alat r.flow DEM asli yang berisi depresi. Ambil gambar berikut sebagai contoh:

Gambar pertama adalah grid panjang aliran lereng atas maksimum yang dihitung dari DEM tanpa depresi (melanggar) dan yang kedua berasal dari DEM asli, yang berisi banyak depresi topografi artefak. Anda akan melihat bahwa jalur aliran telah sangat terpotong karena saat aliran bertemu dengan depresi atau area datar, tidak ada sel grid lereng bawah untuk jalur aliran untuk melanjutkan. Seperti halnya dengan data Anda, nilai jalur aliran maksimum di grid jauh lebih sedikit di raster kedua sebagai akibat dari pemotongan jalur aliran ini. Saya pikir Anda perlu memeriksa ulang apakah Anda memasukkan DEM yang dikoreksi secara hidrologis ke dalam alat r.flow. Saya tahu dari pengalaman bahwa ini adalah salah satu kesalahan paling umum saat melakukan analisis hidrologi berbasis DEM. Jika tidak, Anda mungkin hanya memberikan input yang salah kepada alat r.flow, mis. penunjuk aliran D8 yang sama dengan yang Anda berikan pada alat panjang aliran ArcGIS (perhatikan r.flow memerlukan DEM dan bukan penunjuk aliran sebagai input). Sekali lagi ini akan menjadi kesalahan yang cukup umum dan efeknya akan identik, yaitu jalur aliran terpotong dan terputus-putus yang tampaknya Anda miliki. Saya harap itu membantu.


Hitung jalur aliran dengan QGIS - Sistem Informasi Geografis

r.terraflow mengambil input raster model elevasi digital (DEM) dan menghitung raster arah aliran dan raster akumulasi aliran, serta raster elevasi banjir, raster daerah aliran sungai (partisi menjadi daerah aliran sungai di sekitar sink) dan raster TCI (indeks konvergensi topografi). peta.

r.terraflow menghitung raster ini menggunakan pendekatan terkenal, dengan perbedaan bahwa penekanannya adalah pada kompleksitas komputasi dari algoritma, bukan pada pemodelan aliran realistis. r.terraflow muncul dari kebutuhan memiliki perangkat lunak yang dapat diskalakan yang mampu memproses medan yang sangat luas secara efisien. Hal ini didasarkan pada algoritma optimal secara teoritis yang dikembangkan dalam kerangka algoritma I/O-efisien. r.terraflow dirancang dan dioptimalkan terutama untuk jaringan masif dan mampu memproses medan yang tidak praktis dengan fungsi serupa yang ada di sistem GIS lainnya.

Arah aliran dihitung menggunakan model MFD (Arah Aliran Berganda) atau model SFD (Arah Aliran Tunggal, atau D8), yang diilustrasikan di bawah. Kedua metode menghitung arah aliran lereng bawah dengan memeriksa jendela 3-kali-3 di sekitar sel saat ini. Metode SFD memberikan arah aliran yang unik menuju tetangga lereng bawah yang paling curam. Metode MFD menetapkan beberapa arah aliran menuju semua tetangga lereng bawah.

Arah aliran ke paling curam
tetangga lereng bawah (SFD).
Arah aliran ke semua
tetangga lereng bawah (MFD).

  • Di dataran tinggi (daerah datar yang tumpah) r.terraflow rute mengalir sehingga secara global aliran menuju sel tumpahan dataran tinggi.
  • Di wastafel (area datar yang tidak tumpah, termasuk lubang satu sel) r.terraflow menetapkan aliran dengan membanjiri medan sampai semua sink terisi dan menetapkan arah aliran pada medan yang terisi.

Untuk membanjiri medan, r.terraflow mengidentifikasi semua sink dan mempartisi medan menjadi sink-watersheds (sebuah sink-watershed berisi semua sel yang mengalir ke sink itu), membuat grafik yang mewakili informasi kedekatan dari sink-watersheds, dan menggunakan grafik sink-watershed ini untuk menggabungkan watersheds ke satu sama lain di sepanjang batas bersama terendah sampai semua DAS memiliki jalur aliran di luar medan. Banjir menghasilkan medan tanpa tenggelam di mana setiap sel memiliki jalur aliran lereng bawah yang mengarah ke luar medan dan oleh karena itu setiap sel di medan dapat diberi arah aliran SFD/MFD seperti di atas.

Setelah arah aliran dihitung untuk setiap sel di medan, r.terraflow menghitung akumulasi aliran dengan mengarahkan air menggunakan arah aliran dan melacak berapa banyak air yang mengalir melalui setiap sel.

Jika akumulasi aliran sel lebih besar dari nilai yang diberikan oleh d8cut pilihan, maka aliran sel ini diarahkan ke tetangganya menggunakan model SFD (D8). Opsi ini hanya mempengaruhi raster akumulasi aliran dan hanya bermakna untuk aliran MFD (yaitu jika -S flag tidak digunakan) Jika opsi ini digunakan untuk aliran SFD, opsi ini diabaikan. Nilai default dari d8cut adalah ketakterbatasan.

r.terraflow juga menghitung tci raster (indeks konvergensi topografi, didefinisikan sebagai logaritma rasio akumulasi aliran dan kemiringan lokal).

Untuk detail lebih lanjut tentang algoritme lihat [1,2,3] di bawah.


Hitung jalur aliran dengan QGIS - Sistem Informasi Geografis

Pemodelan Hidrologi Permukaan dan Delineasi Daerah Aliran Sungai

Seiring dengan meningkatnya tekanan populasi pada lanskap, pengelola lahan terus mencari metode baru untuk mengelola dan memantau "kesehatan" lanskap. Untuk menganalisis properti lanskap, memang, untuk memantau objek apa pun, objek tersebut perlu dipecah menjadi unit yang dapat dikelola. Di masa lalu, lanskap dikelola berdasarkan kepemilikan. Namun, pengalaman menunjukkan bahwa metode lama pengelolaan lahan tidak membuat biologis nalar. Sebagian besar proses biologis tidak berhenti pada batas kepemilikan. Spesies hewan bermigrasi melintasi lahan pribadi dan publik (selama mereka bisa melewati pagar). Lahan berhutan yang berdekatan dapat melintasi banyak kepemilikan. Aliran mengalir melintasi kepemilikan dan batas-batas politik yang berbeda.

Apa yang telah diusulkan sebagai unit logis dari pengelolaan lahan adalah DAS. Apa itu DAS? The American Heritage Dictionary mendefinisikan daerah aliran sungai sebagai: "Wilayah yang mengalir ke sungai, sistem sungai, atau badan air." Daerah aliran sungai selalu digambarkan secara fisik oleh daerah hulu dari titik outlet tertentu. Ini umumnya berarti bahwa untuk jaringan sungai, area yang berkontribusi di hulu ke garis punggungan. Ridgelines memisahkan DAS satu sama lain.

Dengan demikian, Sungai Columbia memiliki daerah aliran sungai yang membentang ke wilayah yang sangat luas di Amerika Utara, dari perbatasan Washington-Oregon ke utara hingga British Columbia, Selatan hingga Oregon, dan timur hingga Continental Divide. DAS Sungai Columbia didefinisikan oleh daerah hulu dari outletnya ke Samudra Pasifik. Tetapi Sungai Columbia memiliki banyak anak sungai. Salmon, Ular, Willamette, hanyalah beberapa sungai lain yang berkontribusi pada aliran Columbia. Di mana sungai-sungai ini bertemu dengan Columbia dapat diperlakukan sebagai titik keluar untuk setiap anak sungai, dan seterusnya, ke atas jaringan hidrologi sungai dan sub-cekungan.


DAS Sungai Columbia

Sebelum lanskap dapat dikelola sebagai DAS, kita perlu mendelineasi batas-batas DAS, sehingga kita dapat menggunakan terminologi spasial yang umum. Banyak aplikasi perangkat lunak GIS berisi rutinitas untuk menggambarkan batas DAS, dan untuk melakukan analisis hidrologi lainnya. Bagian ini akan menjelaskan alat analisis hidrologi ArcGIS. Ini termasuk alat sebagai delineasi DAS, akumulasi aliran, dan panjang aliran.

Semua alat hidrologi di ArcGIS hanya tersedia setelah mengaktifkan Spatial Analyst Extension. Alat hidrologi diakses melalui ArcToobox.

    • Membuat DEM tanpa depresi
    • Arah aliran
    • Akumulasi aliran
    • Titik outlet DAS
    • Menggambar daerah aliran sungai

    Delineasi DAS

    Membuat DEM Tanpa Depresi

    Langkah pertama dalam salah satu alat pemodelan hidrologi di ArcGIS adalah mengisi grid elevasi. Anda harus mulai dengan permukaan yang tidak memiliki wastafel. Wastafel adalah area drainase internal, yaitu area yang tidak mengalir keluar di mana pun. Alasan mengapa bak cuci perlu diisi adalah karena jaringan drainase dibangun yang menemukan jalur aliran setiap sel, akhirnya keluar dari tepi jaringan. Jika sel tidak mengalir dari tepi grid, mereka mungkin mencoba mengalir ke satu sama lain, yang akan mengarah ke loop pemrosesan tanpa akhir.

    Melihat kotak di penampang, berikut adalah gambar sederhana tentang apa yang FILLing lakukan, baik memotong sel tinggi atau mengisi bak cuci:


    Catatan : operasi ini sangat membutuhkan komputer. Hanya coba operasi ini pada jaringan besar jika Anda menggunakan komputer yang cepat, kecuali jika Anda mampu untuk memulai proses dan kembali setelah waktu yang lama.

    Untuk menghitung jaringan drainase atau daerah aliran sungai, harus ada kisi-kisi yang dikodekan untuk arah di mana setiap sel di permukaan mengalir. Arah aliran penting dalam pemodelan hidrologi karena untuk menentukan di mana suatu lanskap mengalir, perlu ditentukan arah aliran untuk setiap sel dalam lanskap. Hal ini dicapai dengan pilihan menu Hitung Arah Aliran. Untuk setiap sel di grid permukaan, prosesor grid ArcGIS menemukan arah penurunan paling curam.

    Arah aliran adalah fungsi fokus. Untuk setiap lingkungan sel 3-x-3, prosesor grid berhenti di sel tengah dan menentukan sel tetangga mana yang terendah. Bergantung pada arah aliran, kisi keluaran akan memiliki nilai sel di sel tengah, seperti yang ditentukan oleh matriks ini:

    Jika sebuah sel mengalir ke utara, maka di grid output, sel di lokasinya akan memiliki nilai 64

    Jika arah aliran sel ke utara, maka di kisi keluaran, nilai sel itu akan menjadi 64. Angka-angka ini tidak memiliki arti absolut, relatif, atau rasio, mereka hanya digunakan sebagai pemegang tempat numerik untuk arah nominal nilai data (karena nilai kisi selalu berupa angka).

    Arah aliran adalah pilihan pada hidro Tidak bisa. Ini hanya boleh dilakukan pada kisi-kisi yang diketahui bebas dari sink.

    Dalam bingkai data ini, sel yang mengalir ke utara ditampilkan dengan warna kuning.

    Akumulasi aliran adalah langkah selanjutnya dalam pemodelan hidrologi. DAS didefinisikan secara spasial oleh properti geomorfologi drainase. Untuk menghasilkan jaringan drainase, perlu untuk menentukan jalur aliran akhir dari setiap sel pada grid lanskap. Akumulasi aliran digunakan untuk menghasilkan jaringan drainase, berdasarkan arah aliran setiap sel. Dengan memilih sel dengan aliran akumulasi terbesar, kami dapat membuat jaringan sel aliran tinggi. Sel-sel aliran tinggi ini harus terletak di saluran sungai dan di dasar lembah.

    Setelah akumulasi aliran dihitung, biasanya untuk mengidentifikasi sel-sel dengan aliran tinggi. Ini dapat dilakukan dengan Kueri Peta atau Perhitungan Peta, atau hanya dengan mengubah klasifikasi legenda. Tampilan harus menyerupai jaringan aliran vektor untuk area studi.

    Sel dengan aliran yang lebih tinggi akan memiliki nilai yang lebih besar, dan dalam bingkai data di atas, warna merah yang lebih dalam.

    Berikut adalah tampilan sel dengan akumulasi aliran lebih besar dari 5000 sel yang ditampilkan dalam warna merah.

    Ditambahkan ke bingkai data adalah aliran vektor. Nilai 5000 terlihat masuk akal. Ingatlah bahwa pada akhirnya kita akan mengidentifikasi titik-titik keluaran, jadi lebih penting bahwa sel-sel hilir aliran tinggi diidentifikasi daripada semua aliran di dataran tinggi. Selain itu, Anda akan selalu menemukan jaringan aliran vektor tidak sejajar dengan jaringan aliran yang dihasilkan DEM, karena sumber data ini berbeda.

    Titik outlet DAS ("pour")

    Langkah selanjutnya dalam menggambarkan DAS adalah memilih titik tuang. Ini biasanya titik di tepi grid, atau hanya hilir dari pertemuan utama. Titik tuang dibuat dengan menambahkan layer titik baru ke proyek. Poin harus ditambahkan sedekat mungkin dengan pusat sel. Untuk alasan ini, adalah baik untuk menampilkan sel aliran tinggi dan bingkai data ditampilkan dalam skala yang sangat besar.

    Tempatkan titik tuang sebanyak mungkin dalam bingkai data sesuai kebutuhan.

    Sebelum DAS dapat didelineasi, titik-titik tersebut perlu diubah menjadi lapisan grid. Titik-titik tersebut harus memiliki atribut integer yang secara unik mengidentifikasi setiap titik, karena DAS yang dihasilkan akan memiliki nilai yang sama dengan sel grid yang bertindak sebagai titik tuang. Gunakan atribut itu sebagai bidang nilai di kisi keluaran.

    Pastikan untuk menggunakan tingkat analisis yang cocok dengan tingkat lapisan kisi yang mewakili elevasi. Juga pastikan untuk mengatur ukuran sel sama dengan grid elevasi.

    Menggambar daerah aliran sungai

    Langkah terakhir dalam delineasi DAS adalah melakukan fungsi itu sendiri. Prosesor grid membutuhkan tiga lapisan grid: titik tuang, akumulasi aliran, dan arah aliran.

    Berikut adalah garis kontur yang ditempatkan di atas DAS. Batas DAS melakukan pekerjaan yang cukup baik mengikuti garis punggungan.

    Dan jika Anda kesulitan memvisualisasikan garis kontur, berikut adalah DEM berbayang secara analitik.

    Kemungkinan besar Anda harus melakukan delineasi DAS secara iteratif saat bergerak ke hulu. Daerah aliran sungai pertama akan berisi seluruh wilayah studi Anda. Putaran kedua delineasi DAS akan membuat sub-DAS awal. Anda akan terus membuat sub-cekungan yang lebih kecil dan lebih kecil hingga tujuan studi manajemen terpenuhi (misalnya, ukuran sub-cekungan maksimum, representasi semua titik tuang, atau penggambaran seluruh area studi).

    Delineasi DAS secara otomatis

    Daerah aliran sungai dapat secara otomatis digambarkan dengan menggunakan: Baskom memerintah. Titik tuang dipilih secara otomatis dari tempat kisi-kisi mengalir di tepinya, dan daerah aliran sungai digambarkan.

    Metode ini mudah, dan hanya membutuhkan masukan terbatas dari pengguna. Namun, metode ini mencegah pengguna untuk memilih atau melihat titik tuang, yang merupakan salah satu langkah paling penting dalam delineasi DAS.

    Penggambaran DAS otomatis menggunakan nilai akumulasi aliran yang Anda tentukan. ArcGIS mencari sel di tepi grid yang memiliki jumlah akumulasi aliran ini, dan mengubah sel-sel ini menjadi titik tuang. Berikut adalah DAS yang dihasilkan dengan menggunakan Baskom

    Metode ini berpotensi menciptakan sejumlah besar DAS, tidak ada satupun yang sesuai dengan batas yang dapat digunakan untuk perencanaan pengelolaan.

    Menghitung panjang aliran

    Salah satu alat yang tersedia dalam perangkat hidrologi permukaan adalah panjang aliran. Panjang aliran adalah jarak yang ditempuh dari sel mana pun di sepanjang jaringan aliran permukaan ke outlet. Ini dapat digunakan untuk menemukan area yang lebih dekat dengan lokasi hulu atau lebih dekat dengan outlet aliran. Pada gambar di bawah, sel-sel yang berwarna merah adalah yang terjauh dari outlet aliran, dan sel-sel yang berwarna biru paling dekat dengan outlet. Berawal dari pengelompokan sel darah merah di tengah hutan, jalur aliran menuju ke timur, lalu ke utara menuju Sungai Little Mashel, kemudian ke timur melalui Sungai Mashel, dan terakhir kembali ke selatan dan barat menuju Sungai Nisqually.

    Selain panjang aliran keseluruhan, dimungkinkan untuk menghitung panjang aliran lokal, dari setiap sel ke lokasi aliran terdekat. Di sini, sel-sel yang berwarna merah lebih jauh dari jaringan aliran sepanjang jalur aliran.

    Bandingkan ini dengan hasil jarak Euclidean (garis lurus) sederhana:

    Jalur panjang aliran dapat lebih dekat memodelkan efek hilir. Misalnya, jalur yang mungkin ditempuh sedimen untuk memasuki saluran sungai tidak sama dengan jarak garis lurus sederhana.


    Menghitung arah aliran

    Arah aliran ditentukan oleh arah penurunan paling curam, atau penurunan maksimum, dari setiap sel. Ini dihitung sebagai berikut:

    Jarak dihitung antara pusat sel. Oleh karena itu, jika ukuran sel adalah 1, jarak antara dua sel ortogonal adalah 1, dan jarak antara dua sel diagonal adalah 1,414 (akar kuadrat dari 2). Jika penurunan maksimum ke beberapa sel adalah sama, lingkungan diperbesar sampai penurunan paling curam ditemukan.

    Ketika arah penurunan paling curam ditemukan, sel keluaran dikodekan dengan nilai yang mewakili arah itu.

    Jika semua tetangga lebih tinggi dari sel pemrosesan, itu akan dianggap kebisingan, diisi ke nilai terendah dari tetangganya, dan memiliki arah aliran menuju sel ini. Namun, jika wastafel satu sel berada di sebelah tepi fisik raster atau memiliki setidaknya satu sel NoData sebagai tetangga, itu tidak diisi karena informasi tetangga tidak mencukupi. Untuk dianggap sebagai sink satu sel yang sebenarnya, semua informasi tetangga harus ada.

    Jika dua sel mengalir satu sama lain, mereka tenggelam dan memiliki arah aliran yang tidak ditentukan. Metode menurunkan arah aliran dari model elevasi digital (DEM) disajikan dalam Jenson dan Domingue (1988).

    Sel-sel yang tenggelam dapat diidentifikasi menggunakan alat Sink. Untuk mendapatkan representasi akurat dari arah aliran melintasi permukaan, sink harus diisi sebelum menggunakan raster arah aliran.


    Aplikasi/Contoh Analisis Jalur Biaya Terkecil

    Analisis jalur biaya terkecil memiliki sejumlah aplikasi GIS yang berbeda. Ini sering digunakan dalam perencanaan infrastruktur seperti jalan, jaringan pipa, kanal, dan saluran transmisi listrik serta untuk penggunaan rekreasi seperti pengembangan sistem jalur pendakian di taman nasional (Chang). Analisis jalur biaya terkecil juga dapat digunakan oleh ahli ekologi untuk memantau pergerakan satwa liar untuk memerangi masalah lingkungan seperti fragmentasi habitat. Ahli geografi ekonomi dan bisnis serta mereka yang membuat peta dan panduan wisata dapat menggunakan analisis jalur biaya terkecil untuk menentukan rute terbaik dan paling hemat biaya antar tempat pada rute pengiriman, monumen nasional, atau tujuan lainnya.

    Apa pun penggunaannya, analisis jalur biaya terkecil adalah alat penting dalam GIS karena memiliki kemampuan untuk membantu bisnis, perencana kota, dan pengguna lain menghemat waktu dan uang.

    Chang, Kang-tsung. (2012). Pengantar Sistem Informasi Geografis. McGraw-Hill: New York, Edisi ke-6.


    Persyaratan Pendaftaran

    Persyaratan Aplikasi

    • Formulir aplikasi dan biaya
    • Tiga surat rekomendasi
    • Transkrip
    • Pernyataan tujuan profesional
    • Lanjut
    • Skor tes dari GMAT, LSAT, atau GRE tidak diperlukan tetapi dapat diajukan untuk mendukung aplikasi

    Persyaratan untuk Siswa Internasional

    Semua kebijakan dan persyaratan penerimaan untuk siswa domestik berlaku untuk siswa internasional bersama dengan yang berikut:

    • Tunjukkan Kemahiran Bahasa Inggris
    • Bukti dukungan keuangan harus mencakup:
      • Surat dukungan keuangan dari orang atau lembaga sponsor yang mendanai waktu di Universitas Saint Louis
      • Surat dari bank sponsor yang memverifikasi bahwa dana tersedia dan akan tersedia selama masa studi di Universitas

      Batas Waktu Aplikasi dan Aplikasi Asisten

      Batas akhir penerimaan musim gugur adalah 1 Mei untuk siswa internasional dan 1 Agustus untuk siswa domestik. Untuk dipertimbangkan untuk asisten, siswa harus mendaftar sebelum 1 Februari.

      Proses Peninjauan

      Aplikasi akan ditinjau secara bergulir saat diterima, mulai 1 Agustus dan berlanjut hingga batas waktu aplikasi umum 1 Juli.


      Merencanakan data WRF menggunakan python

      Baru-baru ini saya menemukan perkawinan yang tidak suci dari dua hal favorit saya: model Weather Research Forecasting (WRF) dan Quantum GIS (QGIS).

      WRF adalah Prediksi Cuaca numerik (NWP) yang memungkinkan simulasi atmosfer menggunakan data yang tersedia secara global. QGIS di sisi lain adalah platform Sistem Informasi Geografis yang memungkinkan manipulasi atau tampilan data geospasial.

      9 November 2018 lalu, plugin GIS4WRF untuk QGIS dirilis. Ini memungkinkan langkah-langkah lengkap untuk simulasi WRF dengan cara yang lebih visual. Dengan GIS4WRF Anda dapat melakukan segalanya mulai dari mengunduh data input, pra-pemrosesan data input, menjalankan simulasi, memvisualisasikan, dan akhirnya hasil pasca-pemrosesan.

      Saat itu ketika saya biasa mensimulasikan tesis saya, saya harus melakukan sesuatu melalui baris perintah di mana saya harus menggunakan sihir terminal untuk mewujudkannya. GIS4WRF akan memungkinkan simulasi WRF yang mudah dan efisien melalui QGIS.

      Sebagai tes cepat untuk mengetahui apakah saya masih tahu cara menjalankan simulasi cuaca, saya menjalankan simulasi Topan Yolanda menggunakan GIS4WRF.

      Sekarang saya menemukan blok jalan. Data WRF pasca-pemrosesan menggunakan GIS4WRF tidak semudah yang Anda bayangkan. Awalnya saya ingin memplot peta angin Super Typhoon Yolanda lengkap dengan bilah angin, tetapi saya berakhir dengan ini.

      Atau mungkin juga saya belum memiliki keterampilan yang diperlukan, tetapi karena GIS4WRF adalah plugin yang relatif baru, plugin ini terus mengganggu saya.

      Jadi python untuk menyelamatkan. Khususnya paket-paket berikut: gdal, basemap, matplotlib, dan numpy.


      Metode

      Pengumpulan data

      Dari Mei 2015 hingga Februari 2016, kami mengumpulkan data penerima homecare di Kochi yang membutuhkan tenaga listrik untuk tetap hidup. Kami meminta profesional perawatan kesehatan, termasuk perawat, perawat kesehatan masyarakat, dan manajer perawatan yang bertanggung jawab atas penerima homecare harian, untuk memperkenalkan kami kepada penerima homecare yang memenuhi kondisi tertentu. Syaratnya, penerima homecare menggunakan (1) ventilator (invasif atau non-invasif), (2) alat penghisap endotrakeal, atau (3) peralatan medis lain yang memerlukan sumber daya eksternal. Frekuensi penggunaan alat kesehatan umumnya ditetapkan minimal sekali sehari. Kami kemudian menerima perkenalan dengan 52 penerima homecare dari profesional perawatan kesehatan dan mengumpulkan data dari mereka. Kami meminta para profesional perawatan kesehatan untuk wawancara untuk melengkapi Daftar Periksa K-DiPS. Daftar periksa ini memungkinkan penerima homecare dan keluarga mereka untuk memahami peralatan, bahan, dan poin penting yang diperlukan selama bencana dengan mengisi formulir dengan profesional perawatan kesehatan yang bertanggung jawab atas dukungan hidup sehari-hari mereka [25].

      Visualisasi menggunakan GIS

      Dalam GIS, setiap jenis informasi pada peta dapat dikumpulkan menjadi satu lapisan. Ini adalah karakteristik dari GIS bahwa beberapa bentuk informasi berlapis ke dalam satu peta, dan kita dapat melihat semua informasi secara terpusat dengan tumpang tindih lapisan.

      Kami pertama kali memperoleh alamat stasiun perawatan dan tempat penampungan evakuasi kesejahteraan di Kochi [26][27]. Kami berasumsi bahwa perawat yang berkunjung akan mendukung penyelamatan penerima homecare jika terjadi bencana. Alamat penerima homecare, pos perawatan, dan tempat penampungan evakuasi kesejahteraan kemudian diubah menjadi informasi lokasi menggunakan layanan geocoding. Sebagai pertimbangan privasi, posisi penerima homecare disimpan hanya di plot tingkat kota. Kami selanjutnya memperoleh peta dasar untuk ketinggian 5 m menggunakan model elevasi numerik untuk area survei, dan membuat lapisan peta bayangan berdasarkan mesh ini. Kami kemudian membuat layer yang memplot area genangan yang diprediksi untuk area perumahan penerima homecare. Dengan melapisi ketiga lapisan ini (Gbr 1), kami secara visual memeriksa penerima homecare yang membutuhkan evakuasi dan memeriksa rute evakuasi (Gbr 2).

      Gambar 1 menggambarkan daerah yang berisiko terkena banjir akibat tsunami di Kochi. Gambar 1 digambar dalam GIS dengan melapiskan lapisan yang menggambarkan area prediksi banjir dan lapisan yang menemukan penerima homecare dan tempat penampungan evakuasi kesejahteraan. Laut berada di sebelah selatan Gambar 1 (ke bawah), dan tsunami akan bergerak dari selatan ke utara (atas).

      Garis merah muda pada Gambar 2 mewakili rute yang menghubungkan setiap penerima homecare dan stasiun perawatan kunjungan terdekat menurut jarak terpendek. Rute evakuasi yang menghubungkan tempat penampungan evakuasi kesejahteraan dan rumah penerima homecare digambarkan dengan warna hijau pada peta.

      Analisis geografis dilakukan dengan menggunakan QGIS versi 2.18.3. Untuk analisis rute evakuasi, kami menggunakan Plugin Grafik Jalan QGIS. Informasi jalan yang menjadi dasar jalur evakuasi diunduh sebagai polyline dari Open Street Map. QGIS adalah perangkat lunak sumber terbuka yang dapat digunakan untuk mengedit dan menganalisis informasi geografis.

      Pengaturan parameter

      Waktu yang dibutuhkan perawat kunjungan untuk melakukan perjalanan dari pos perawatan ke penerima perawatan di rumah.

      Penolong potensial, yaitu, individu yang mungkin membantu penerima perawatan di rumah selama bencana, termasuk anggota pemadam kebakaran, penghuni lingkungan, perawat yang berkunjung, pembantu perawatan, dan manajer perawatan. Dalam keadaan darurat umumnya, anggota pemadam kebakaran mengangkut orang menggunakan ambulans dengan peralatan pendukung kehidupan. Namun, saat terjadi bencana di mana banyak orang membutuhkan penyelamatan secara bersamaan, penyelamatan oleh pemadam kebakaran tidak diharapkan. Pemerintah telah mengeluarkan pedoman untuk "mendukung warga sekitar dan organisasi terkait" untuk memberikan dukungan kepada mereka yang membutuhkannya saat mengungsi saat bencana Namun, siapa yang seharusnya memberikan dukungan tergantung pada penilaian orang-orang di lokasi. Selain itu, karena penerima homecare yang termasuk dalam survei ini menggunakan peralatan medis yang membutuhkan catu daya, maka sulit bagi penyelamat untuk mendukung evakuasi saat mengoperasikan peralatan medis, kecuali jika mereka adalah seorang profesional medis. Oleh karena itu, tidak masuk akal untuk mengharapkan dukungan evakuasi dari penduduk tetangga saat ini, dan untuk alasan yang sama, dukungan evakuasi dari penolong dan manajer perawatan tidak akan diharapkan. Dalam penelitian ini, oleh karena itu, kami berasumsi bahwa perawat yang berkunjung melakukan perjalanan dari mengunjungi stasiun perawatan ke rumah penerima homecare selama bencana dan mempengaruhi evakuasi mereka. Tentu saja, dalam bencana, orang cacat, orang tua, dan anak-anak memiliki prioritas tinggi untuk diselamatkan. Di antara mereka, kami percaya bahwa pasien yang menggunakan ventilator harus diberikan prioritas tertinggi. Orang tua juga dapat diselamatkan oleh orang lain selain staf medis, dan anak-anak dapat dibawa ke tempat yang aman oleh orang dewasa mana pun. Namun, jika perawat kunjungan akan menyelamatkan penerima perawatan di rumah, perlu untuk mempersiapkan rencana untuk mengambil tindakan tersebut sebelumnya. Selain itu, kami berasumsi bahwa selama bencana seorang perawat yang berkunjung melakukan perjalanan dari pos perawatan terdekat untuk memberikan dukungan. Meskipun stasiun perawatan kunjungan yang bertanggung jawab atas penerima homecare mungkin bukan stasiun terdekat, stasiun terdekat bertanggung jawab dalam banyak kasus dan stasiun terdekat bertanggung jawab dalam kasus lain. Sebenarnya, tidak ada survei yang menyelidiki niat perawat, apakah mereka akan memberikan dukungan penyelamatan selama bencana. Dalam penelitian ini, berdasarkan perilaku perawat pada saat Gempa Besar Jepang Timur [28], kami mengasumsikan perawat sebagai penyelamat. Jika tidak, sangat sulit untuk menyelamatkan penerima homecare dalam situasi saat ini.

      Jarak dari stasiun ke penerima homecare dihitung sebagai berikut. Pertama, kami memperoleh informasi posisi untuk mengunjungi stasiun perawatan dan secara visual mengkonfirmasi hubungan posisi antara stasiun perawatan mengunjungi dan penerima homecare menggunakan GIS. Selanjutnya, jarak rute terpendek dari stasiun terdekat ke penerima homecare dihitung berdasarkan polyline Open Street Map dan Plugin Road Graph.

      Kami mewawancarai stasiun dan menemukan bahwa perawat mengunjungi menggunakan mobil dalam banyak kasus. Meskipun beberapa perawat menggunakan sepeda di daerah perkotaan, kecepatan perjalanan mereka hampir sama dengan mobil, dan oleh karena itu kami berasumsi bahwa perawat berkunjung bepergian dengan mobil dalam penelitian ini. Menurut sebuah survei, kecepatan perjalanan ditetapkan menjadi 360 m per menit, yang merupakan kecepatan perjalanan rata-rata di Kochi [29]. Dengan menggunakan kecepatan ini dan jarak dari stasiun perawat yang berkunjung ke penerima perawatan di rumah yang ditentukan oleh GIS, kami menghitung waktu bagi perawat yang berkunjung untuk mencapai penerima perawatan di rumah.

      Waktu yang dibutuhkan untuk pemindahan.

      Asosiasi nasional untuk asuhan keperawatan kunjungan rumah melakukan survei tentang waktu yang dibutuhkan perawat kunjungan untuk membantu transfer pasien [30]. Menurut survei tersebut, rata-rata waktu yang dibutuhkan perawat kunjungan untuk membantu secara mandiri dalam transfer adalah 4,9 menit. Dalam survei tersebut, 17,1% penerima homecare menggunakan ventilator. Dalam survei kami, karena setiap orang yang membutuhkan dukungan menggunakan peralatan medis, seperti ventilator atau alat penyedot, mungkin diperlukan waktu lebih lama dari hasil penelitian sebelumnya untuk menyelesaikan transfer. Namun, hasil penelitian tersebut adalah nilai yang paling sesuai untuk survei kami, dan oleh karena itu penelitian kami menggunakan waktu transfer yang sama.

      Waktu yang diperlukan untuk melakukan perjalanan dari tempat tinggal penerima homecare ke tempat penampungan.

      Dalam hal sarana transportasi penerima homecare dari rumah mereka ke tempat penampungan evakuasi, kami menduga bahwa penyelamat (yaitu, perawat tamu) akan mengangkut penerima homecare menggunakan kursi roda. Ventilator yang saat ini digunakan di tempat tinggal sangat kompak, dengan berat 5 kg atau kurang, dan dapat dibawa-bawa dengan kursi roda. Juga, kami mengkonfirmasi bahwa semua ventilator yang digunakan oleh subjek dalam penelitian ini adalah portabel. Pemerintah telah menetapkan tempat penampungan di mana tindakan tahan gempa telah diterapkan [31], menyediakan ruang yang aman bahkan ketika banjir bagi orang-orang yang menggunakan peralatan medis yang membutuhkan catu daya. Dengan demikian, kami berasumsi bahwa penerima homecare mengungsi ke tempat pengungsian kesejahteraan yang secara fisik paling dekat dengan rumah mereka. Namun, kami juga berasumsi bahwa jika tempat pengungsian kesejahteraan terdekat terletak di daerah dengan tingkat banjir 3, penerima homecare tidak akan mengungsi ke tempat pengungsian kesejahteraan itu tetapi ke tempat penampungan terdekat dari rumahnya yang terletak di daerah dengan tingkat banjir. dari 1 atau 2, karena pada saat tsunami berbahaya untuk pergi ke lokasi mana pun yang tingkat banjirnya 3.

      Menurut penelitian sebelumnya yang menyelidiki kecepatan perjalanan sesaat sebelum datangnya tsunami yang terkait dengan Gempa Besar Jepang Timur, kecepatan berjalan seseorang yang menemani penyandang disabilitas rata-rata adalah 1,88 km/jam [32]. Kecepatan ini dihitung dari jarak ke tempat pengungsian kesejahteraan dan waktu yang dibutuhkan oleh orang-orang yang mengalami kesulitan berjalan, seperti orang cacat fisik atau orang sakit parah, untuk berjalan sejauh itu. This situation fits our study, so we used 1.88 km/h for the speed of travel to a welfare evacuation shelter by the homecare recipient and visiting nurse. Using this speed and the distances from the homes of the homecare recipients to the evacuation shelters determined by the GIS, we calculated the times for the homecare recipients to reach the welfare evacuation shelters.

      Arrival time of a 30-centimeter tsunami at shelters.

      As discussed in the next section, the main outcome of this study is the time difference between tsunami arrival and evacuation. Next, we predicted the time needed for a tsunami with a flow depth of 30 cm to reach an evacuation shelter. This was done by referring to National Land Numeral Information (Tsunami Inundation Assumption) from the Japanese government for an earthquake with the maximum seismic intensity of 9. These public data give the predicted time at which a 30-cm tsunami flow arrives in each area of Kochi. National Land Numeral Information was created to support the development and implementation of National Land Plans, such as the National Land Formation Plan and National Land Use Plan. It is also expected to be widely used by local governments and research institutes, and it is provided free of charge on the internet [15][33].

      The main outcome of this study is the time difference between the time required for evacuation and tsunami arrival at an evacuation shelter, and the number of homecare recipients having a negative value for this difference. The time required for evacuation is the total time, when a disaster occurs, for a visiting nurse rescuer to travel from the visiting nursing station to the residence of the homecare recipient, transfer the recipient to a wheelchair, and push the wheelchair from the homecare recipient’s home to an evacuation shelter. The situation that the tsunami reaches the welfare evacuation shelter before evacuation is complete is such that the welfare evacuation shelter will be flooded before the evacuation and the homecare recipients cannot complete their evacuation. We refer to this state as the delayed escape, which means that homecare recipients are in lethal situations in which they are dragged away by the tsunami or their life support equipment stops due to power outage or inundation.

      Sensitivity analysis

      To measure the effects of the main parameters, we conducted both one-way and multi-way sensitivity analyses. The parameters used in the sensitivity analyses were (1) the speed at which the visiting nurse travels to a homecare recipient, (2) the time required for the visiting nurse to move the homecare recipient from their bed to a wheelchair, (3) the speed at which the rescuer and homecare recipients travel to the welfare evacuation shelter, and (4) the time it takes for the tsunami to arrive at the welfare evacuation shelter. The parameters were varied from 0.5 times to 2.0 times their base values to analyze the change in the time difference between the homecare recipient reaching a welfare evacuation shelter and the time the tsunami reaches the shelter. In the multi-way sensitivity analysis, the time differences of combinations of all four main parameters were confirmed using the lower and upper limits of each parameter.

      Pertimbangan etis

      In gathering the data for this study, we explained the purpose of the survey to the homecare recipients, families, and health care professionals who are in charge of daily care by oral explanations and written documents. We also informed participants that participation in the survey was voluntary, there was no disadvantage in refusing to cooperate with the survey, and participants could stop cooperating at any time during the investigation. We received signed informed consent from homecare recipients and health care professionals. This study was carried out with the approval of the Kanazawa University Medical Ethics Association (No. 594).

      In addition, during analysis, the locations of the homes of homecare recipients were depicted at the town level so as not to be able to identify the locations of individuals. We plotted the exact locations of visiting nursing stations and welfare evacuation shelters because they are publicly available.


      The FREEWAT modeling platform (www.freewat.eu) is an open source and public domain GIS integrated modeling environment, developed as a plugin of the well-known, free, and open source GIS desktop software QGIS (QGIS Development Team 2017 ). It is conceived as a canvas, where several simulation codes, related to the hydrological cycle, hydrogeochemical, or economic-social processes, are integrated in a unique GIS project. It combines the power of QGIS with data analysis tailored toward hydrological and hydrogeological data and with numerical simulations for both water quantity and quality. FREEWAT takes advantage of the capabilities of GIS geoprocessing and postprocessing tools for spatial data analysis and connects them to numerical simulation software. FREEWAT is expected to enhance stakeholders' capabilities in dealing with water resources management issues, as required by the Water FrameWork Directive in Europe, and similar regulations all around the world (such as the Sustainable Groundwater Management Act in California). The FREEWAT platform is implemented in the framework of the FREEWAT HORIZON 2020 project financed by the EU Commission, aiming at promoting water resource management by simplifying the application of the Water Framework Directive and other EU water-related Directives (Rossetto et al. 2015 ). The FREEWAT approach aims at creating a common, self-sustaining environment where stakeholders address water-related issues by making use of free and readily applicable Information and Communication Technology tools.

      • MODFLOW-2005 (Harbaugh 2005 ) (with the main packages included, such as WEL, MNW2, CHD, RIV, DRN, EVT, UZF, SFR2, and LAK) (Figure 1a).
      • MT3DMS (packages ADV, DSP, SSM), for solute transport in groundwater flow systems, including the UZT Package of the recent MT3D-USGS (Bedekar et al. 2016 ), for taking into account contaminant fate in the unsaturated zone.
      • SEAWAT (Langevin et al. 2007 ) for the simulation of viscosity and density dependent flow (an example of a seawater intrusion simulation is showed in Figure 1b).
      • MODFLOW-OWHM (Hanson et al. 2014 ), to simulate water management, and to include the specific computation of water demand coming from rural environments and crop acreages.
      • Analysis of hydrochemical and hydrogeological data (Figure 2a and 2b).
      • Time series processing to support advanced model calibration.
      • Sensitivity analysis and parameter estimation, applying UCODE-2014 (Poeter et al. 2014 ).

      For most of the capabilities included, the FREEWAT platform relies on FloPy (Bakker et al. 2016 ), a Python library allowing to prepare scripts for writing inputs, running and postprocessing MODFLOW, MT3D, SEAWAT, and other MODFLOW-related groundwater programs. Data management and sharing are based on Spatialite Database, whose usage is fully integrated in QGIS: FREEWAT's Users can share their models by sharing a simple SQLite file where all the model information is stored.

      • It is expected to enhance the FREEWAT applications among a variety of stakeholders interested in both data management and analysis and numerical applications.
      • It will facilitate data and model sharing across different computing platforms.
      • More funds can be redirected to create tailored applications.
      • As an open-source initiative, FREEWAT aims at creating a community of developers, at integrating new capabilities, and at maintaining a very lively and innovative environment.
      • nine case studies (in Greece, Italy, Romania, Estonia, Germany, Malta, Czech Republic, Slovenia, and Switzerland) are specifically referred to the application of the EU Water Framework Directive and other water-related Directives
      • five case studies (in Italy, Spain, Turkey, Ukraine, and Africa) are related to application in rural management, including the application of the EU Nitrates Directive and of the greening aspects of the Common Agricultural Policy.

      Partners running the case studies, as well as the growing number of users in Europe and around the world, are providing feedback and suggestions to the FREEWAT Developers: this enhances ongoing improvements of the platform, increasing its stability, capabilities, and usability.


      That's not much info to work with.

      But i'm pretty sure the reason is simple: you did not define any capacities. It's obvious, that there is no upper bound on the flow as we can push an infinite amount of flow through the graph! (because no explicit capacity is interpreted as infinite capacity)

      capacity (string)

      Edges of the graph G are expected to have an attribute capacity that indicates how much flow the edge can support. If this attribute is not present, the edge is considered to have infinite capacity. Default value: ‘capacity’.

      One more remark: you are solving the maximum-flow problem here. There is no use of weights! Those are for max-flow-min-cost and co. (also supported within networkx).


      Tonton videonya: Tutorial EPANET: Import Data dari Google Earth