XiaoMi-AI文件搜索系统
World File Search SystemShapefiles
Naturf：用于生成数字天气建模的城市参数的包装
城市弹性期货工具（Naturf）的邻域自适应组织是一个Python的工作流，可生成通过天气研究和预测（WRF）模型可读的文件。Naturf使用Geopandas（Jordahl等，2020）和汉密尔顿（Krawczyk＆Izzy，2022）来计算带有建筑足迹和高度信息的Shapefiles的132个建筑参数。这些参数可以以多种格式收集和使用，并且主要输出是配置为输入到WRF的二进制文件。此工作流程是对国家/世界城市数据库和访问门户工具（Nudapt/Wudapt）的灵活适应（Ching等，2009; Mills等，2015），可以在任何空间分辨率的研究区域中使用。气候建模社区和城市规划师可以使用Naturf产生的城市参数和WRF可读文件来确定建筑/邻里形态对微气候的影响。有关计算的城市参数的更多信息可以在文档中找到。
基于地理信息系统对尼日利亚各种可再生能源潜力的评估
尼日利亚的能源转型计划取决于增加来自可再生能源的能源结构。了解这些可再生能源的潜力所在对于提高政策制定、干预和正确决策的质量和及时性至关重要。本文旨在使用 ArcGIS 对尼日利亚主要可再生能源资源（太阳能、风能、生物质能和小型水电）的潜力进行整体评估。ArcGIS 是一个地理空间分析平台，可提供全国范围内这些潜力的数据和可视化效果。本文重点介绍反距离加权方法，该方法叠加了各种地图 shapefile 和电子表格，其中包含相关数据，例如：水线和水域、公路和铁路网络、作物生产、经度和纬度、风速、太阳辐射、海拔和其他相关地图数据、尼日利亚所有州和地方政府的 shape 文件。这些数据经过地理处理，以将结果与其地理位置干坐标提供的精确位置对齐。这些插值结果进一步在各种输出参数的标准限制范围内重新分类，例如农作物、森林面积、建筑区、水体、灌木/草原、荒地和水体，以揭示适合建造各种可再生能源发电厂的区域。
生物多样性净收益 - 监视费
1.1所有相关的发展都必须达到至少10％的生物多样性净收益（BNG）。《环境法》 2021年对2024年2月12日或之后提交的主要规划申请和2024年4月2日提交的主要规划申请要求此要求。1.2 BNG定义为提供更多或更高的生物多样性栖息地，并通过使用法定的Defra Biovirtity指标来证明这一点。1.3它鼓励发展，在避免或缓解伤害后，通过创造或增强来改善生物多样性。bng涉及一种方法，开发人员与利益相关者合作以支持其在现场或现场或组合的生物多样性目标。1.4有效监控对于成功实施BNG至关重要，地方规划部门可以向计划申请人收取与此监控相关的成本。将需要获得此类监视费，以确保与任何批准的生物多样性净收益管理和监视计划一致地实现生物多样性净收益。理事会需要跟踪和记录在任何地方获得生物多样性净收益的进展，但是得到了确保。任何批准的生物多样性净收益管理和监视计划都将列出理事会向BNG审计报告发送的频率。1.5理事会将获得费用，以支付审查审核报告的费用，在必要时进行现场进度检查，并跟踪累计收益和损失以及内部和政府的报告信息。通常，报告将已经开发了生物多样性会计财务计算器来计算理事会的成本，并将用于计算理事会的监视成本；通过与开发人员的法律协议，将向理事会收取这一费用。这是支付给理事会的任何费用，以确定起草法律协议的计划申请和法律费用。1.6在大多数情况下，理事会与开发商之间需要完成一项法律协议，该协议确保了生物多样性单位的交付以实现生物多样性净收益并长期维护土地（至少30年）。1.7申请人有责任对BNG进行监控，并在规定的管理和监控期间以同意的时间间隔向Horsham区议会提交报告。1.8这些报告应包含：BNG目标，更新的UKHAB调查和状况评估；更新的法定生物多样性指标，显示了当前栖息地的生物多样性价值；自最新监测报告以来，朝目标状况和栖息地的任何变化的进展细节；建议更改生物多样性增益计划，并在必要时更新GIS Shapefiles。1.9监视报告的数量将取决于要创建的栖息地的大小，程度和类型以及监视期的长度。
城市树木覆盖的数字分类和制图
土地覆盖类别包括：树冠、草地和灌木（包括农田）、建筑物、不透水层（街道、车道和停车场）、水和裸土。主要土地分类是使用 eCognition Developer 8.0 版中提供的基于对象的图像分析 (OBIA) 技术进行的。该项目使用的辅助软件包括 ArcGIS 9.3.1 版和 ERDAS Imagine 2010 版。使用 Python 2.5 版脚本语言编写了其他自定义例程，以支持所需的处理。圣保罗市提供了 Shapefile 信息，以帮助识别街道、建筑物、道路和高速公路以及水景。实施该项目遵循了以下主要步骤：• 使用 ERDAS Imagine 中的减法分辨率对 QuickBird 影像进行全色锐化。• 利用可用的 RPC 文件和 30 米 DEM 层对 QuickBird 影像进行地理配准。• 对激光雷达数据进行地理配准以匹配 QuickBird 影像。• 使用自定义 Python 脚本将地理配准影像划分为 750 x 1000 米的图块，重叠度为 10%，以便进一步处理。此步骤创建了 180 个单独的图块。• 包含道路信息的街道图层在 ArcGIS 中缓冲一米，以创建多边形形状文件，随后在 eCognition 中使用。• 开发了三套规则来处理城市的以下子部分：o 西部小部分，包括六月的 QuickBird 和激光雷达数据。o 城市东侧的 1,500 米带，有 5 月份的 QuickBird 影像，但没有激光雷达数据。o 城市其余大部分区域有 5 月份的 QuickBird 和激光雷达数据。• 3 个规则集中的每一个都使用类似的过程创建： o 检查影像以找到代表性图块。o 创建支持性影像层，例如归一化差异植被指数。(NDVI) 和 Lee 的 Sigma 边缘提取有助于提高分类效率。o 从 Shapefile 生成表示道路和水特征的图像对象，并按此进行分类。o 如果有激光雷达数据，则首先将图像分割成高特征和短特征。o 利用 eCognition 中提供的算法对图像的剩余部分进行分类，利用光谱信息以及图像解释的其他元素，例如上下文、形状、大小、位置、关联、图案、阴影和纹理。o 将分类从 eCognition 导出到 TIF 光栅文件中。• 每套规则都经过了微调，并在城市中额外的随机图块上进行了测试。• 使用 eCognition Server，每个最终规则集都用于对圣保罗所有部分的所有图块进行分类。• 使用 ERDAS Imagine Mosaic Pro 中的几何接缝线将各个分类图块连接成一个马赛克。• 城市的三个不同部分（由 402 个单独的图块表示）被合并到一个分类文件中。